Un'azienda deve classificare il comportamento degli utenti come fraudolento o normale utilizzando due caratteristiche: età dell'account (x) e mese della transazione (y). La distribuzione delle classi tracciata mostra un pattern in cui le classi non sono linearmente separabili. Quale modello raggiungerà la MASSIMA accuratezza di classificazione?

Poiché i dati non sono linearmente separabili, un SVM lineare e un percettrone a singolo strato (che sono entrambi classificatori lineari) non sarebbero in grado di trovare un confine di decisione efficace, portando a una bassa accuratezza. Un albero decisionale potrebbe funzionare, ma potrebbe essere soggetto a overfitting e la sua accuratezza potrebbe essere inferiore rispetto a un SVM con kernel RBF. Un SVM con un kernel RBF è ideale per dati non linearmente separabili perché può mappare i dati in uno spazio dimensionale superiore dove diventano linearmente separabili, consentendo di trovare un confine di decisione complesso e ottimale che massimizza il margine tra le classi.