spike: AdaBoost / SVM como comparação ao Random Forest em core/detector.py #2032

Contexto

Pergunta trazida pelo operador em sessão de curiosidade (não é feature decidida). O classificador
clássico do Boar hoje é RandomForestClassifier (core/detector.py:1330, TF-IDF + RF, consumido
em _predict_ml_confidence linha 1522) — já documentado como o encaixe certo pra "determinístico
o bastante, sem GPU" no mapa de técnicas (#1815).

AdaBoost (boosting) e SVM (margem máxima) são as duas alternativas clássicas mais óbvias
pra comparar contra bagging (RF) no mesmo tipo de feature (TF-IDF). Nenhuma substitui o
determinismo já alcançado — ambas são tão determinísticas quanto RF com seed fixa.

Escopo (spike, não feature)

• Rodar os três classificadores (RF atual, AdaBoost, SVM) sobre o MESMO corpus de treino/teste
  já usado por core/detector.py (ou o corpus sintético de PLAN_SYNTHETIC_DATA_LAB.pt_BR.md,
  que já cobre FP/FN por categoria).
• Medir honestamente: acurácia/F1 por categoria de PII, tempo de inferência, tamanho do modelo
  serializado, reprodutibilidade (mesmo input + seed → mesmo output, igual ao contrato já exigido
  pro RF em #1451).
• Se nenhum dos dois bater RF em nenhuma métrica relevante: registrar isso como achado válido e
  completo (não é falha do spike, é a resposta).
• Se um bater em algo específico (ex.: SVM com menos falso positivo numa categoria): documentar
  o trade-off, nunca propor troca sem o número.

Critério de aceite

• docs/plans/PLAN_RF_ALTERNATIVES_SPIKE.md com <!-- plans-hub-summary: ... --> e tabela
  comparativa com números reais (não estimativa)
• python scripts/plans_hub_sync.py --write
• Entry em docs/plans/PLANS_TODO.md
• Sem mudança em core/detector.py nesta issue — é medição, não substituição

Relacionado: #1815 (mapa de técnicas), #1451 (contrato de reprodutibilidade do DL/ML).
Depende de: nenhuma issue aberta.