사기 또는 정상으로 동작을 분류하기 위한 두 가지 특징 데이터셋(계정 사용 기간 및 거래 월)이 주어졌을 때, 다음 모델 중 사기 클래스에 대해 가장 높은 재현율을 달성할 가능성이 높은 것은 무엇입니까?

의사결정 트리는 복잡한 비선형 관계를 학습하고 여러 특징을 기반으로 의사결정 규칙을 생성하는 데 효과적입니다. 사기 탐지와 같이 불균형 데이터셋에서 소수 클래스(사기)의 재현율을 높이는 데 특히 유용합니다. 이는 트리가 사기 사례를 식별하는 데 초점을 맞추는 분할 규칙을 만들 수 있기 때문입니다. 선형 SVM은 선형적으로 분리 가능한 데이터에 적합하며, 사기 데이터는 비선형적일 가능성이 높으므로 재현율이 낮을 수 있습니다. 나이브 베이즈 분류기는 특징 간의 조건부 독립성을 가정하며, 이는 실제 사기 데이터에서 충족되지 않을 수 있습니다. 단일 퍼셉트론은 선형 분류기로, 복잡한 사기 패턴을 학습하는 데 한계가 있습니다.