Dolandırıcılık veya normal olarak etiketleme davranışı için iki özellikli bir veri kümesi (hesap yaşı ve işlem ayı) verildiğinde, aşağıdaki modellerden hangisi dolandırıcılık sınıfı için en yüksek geri çağırmayı (recall) elde etme olasılığına sahiptir?

Karar ağaçları, karmaşık karar sınırlarını öğrenme ve doğrusal olmayan ilişkileri yakalama yetenekleri nedeniyle dolandırıcılık tespiti gibi dengesiz veri kümelerinde yüksek geri çağırma elde etmede genellikle etkilidir. Dolandırıcılık vakaları genellikle azınlık sınıfı olduğundan, karar ağaçları bu nadir örnekleri daha iyi izole edebilir. Doğrusal SVM, doğrusal olarak ayrılabilir verilerde iyi performans gösterirken, dolandırıcılık genellikle doğrusal olmayan bir şekilde ortaya çıkar. Naive Bayes, özellikler arasında güçlü bağımsızlık varsayımları yapar ve bu varsayım genellikle dolandırıcılık verilerinde geçerli değildir. Tek bir perceptron, yalnızca doğrusal olarak ayrılabilir veriler için uygundur ve karmaşık dolandırıcılık kalıplarını yakalamakta yetersiz kalır.