不正または正常な動作をラベリングするための2つの特徴量データセット（アカウントの経過期間と取引月）が与えられた場合、不正クラスに対して最も高いリコールを達成する可能性が高いモデルは次のうちどれですか？

決定木は、不正検出のような不均衡なデータセットで、少数派クラス（不正）のリコールを最大化するのに効果的です。これは、決定木がデータを分割する際に、不正のパターンを特定しやすいためです。線形SVMは、線形分離可能なデータに最適ですが、不正データは線形分離可能でないことが多く、リコールが低くなる可能性があります。ナイーブベイズ分類器は、特徴間の独立性を仮定するため、この仮定が満たされない場合に性能が低下します。単一パーセプトロンは、線形分離可能なデータに限定され、複雑な不正パターンを学習する能力が低いです。