Dado un conjunto de datos con dos características (antigüedad de la cuenta y mes de la transacción) para etiquetar el comportamiento como fraudulento o normal, ¿cuál de los siguientes modelos tiene más probabilidades de lograr el mayor recall para la clase fraudulenta?

Un Árbol de Decisión es la mejor opción porque puede capturar relaciones no lineales complejas entre las características y la etiqueta de fraude, lo cual es crucial para identificar patrones sutiles en datos desequilibrados. Además, los árboles de decisión son interpretables, lo que ayuda a entender por qué una transacción se clasifica como fraudulenta. Un SVM lineal, un clasificador Naive Bayes y un perceptrón simple son modelos lineales o asumen independencia de características, lo que los hace menos efectivos para detectar patrones de fraude complejos y no lineales, que son comunes en los datos de fraude. El recall es vital en la detección de fraude para minimizar los falsos negativos (fraude no detectado).