Dato un dataset a due feature (età dell'account e mese della transazione) per etichettare il comportamento come fraudolento o normale, quale dei seguenti modelli ha maggiori probabilità di ottenere il recall più elevato per la classe fraudolenta?

Un albero decisionale è spesso efficace per problemi di classificazione binaria con dati tabulari, specialmente quando è importante catturare relazioni non lineari e interazioni tra le feature. Per un dataset con solo due feature e l'obiettivo di massimizzare il recall per la classe minoritaria (fraudolenta), gli alberi decisionali possono creare confini di decisione complessi e specifici che isolano bene la classe target. Il Perceptron singolo e il classificatore Naive Bayes sono modelli lineari o che assumono indipendenza delle feature, il che potrebbe limitarne la capacità di identificare pattern complessi di frode. L'SVM lineare cerca un iperpiano di separazione lineare, che potrebbe non essere ottimale se i dati non sono linearmente separabili e l'obiettivo è massimizzare il recall su una classe sbilanciata.