Bir ekip, yalnızca iki özellik kullanarak ikili bir dolandırıcılık dedektörü oluşturacaktır: hesap yaşı ve işlem ayı. Sınıf dağılımları (gösterildiği gibi) belirli bir ayrılabilirliği düşündürmektedir. Hangi modelin en yüksek doğruluğu elde etmesi muhtemeldir?

Doğrusal olmayan çekirdekli bir Destek Vektör Makinesi (SVM), iki boyutlu uzayda doğrusal olarak ayrılamayan verileri etkili bir şekilde sınıflandırabilir. Veri dağılımı, doğrusal olmayan bir sınırla ayrılabilen iki küme olduğunu gösterir. SVM'ler, bu tür ayırıcı hiperdüzlemleri bulmak için tasarlanmıştır ve çekirdek fonksiyonları (örneğin, RBF çekirdeği) sayesinde doğrusal olmayan ilişkileri modelleyebilirler. Lojistik regresyon, yalnızca doğrusal olarak ayrılabilir veriler için uygundur. Tek katmanlı algılayıcı (perceptron) da doğrusal bir sınıflandırıcıdır ve doğrusal olmayan verilerle iyi performans göstermez. LSTM ağları, sıralı veriler için tasarlanmış derin öğrenme modelleridir ve bu senaryoda, yalnızca iki statik özellik (hesap yaşı ve işlem ayı) ile karmaşıklıkları gereksizdir ve muhtemelen aşırı uyuma yol açacaktır.