Support Vector Machine (SVM) ist eine leistungsstarke Machine-Learning-Methode, die für Anwendungen wie Regression, Ausreißererkennung sowie lineare oder nichtlineare Klassifizierung genutzt wird. SVMs können für Aufgaben wie Textklassifizierung, Bildklassifizierung, Spam-Erkennung, Handschrifterkennung, Genexpressionsanalyse, Gesichtserkennung und Anomalieerkennung eingesetzt werden. SVMs können hochdimensionale Daten und nichtlineare Beziehungen verarbeiten, was sie vielseitig und effektiv in einer breiten Palette von Anwendungen macht. SVM-Methoden sind besonders erfolgreich darin, die größte Trenn-Hyperebene zwischen den verschiedenen Klassen im Zielmerkmal zu finden. Sie sind nützlich in Fällen mit hohen Dimensionen. Die Entscheidungsfunktion ist speichereffizient, da sie Support Vektoren, eine Teilmenge der Trainingspunkte, nutzt. Für die Entscheidungsfunktionen können verschiedene Kernel-Funktionen sowie spezifische Kernel bereitgestellt werden.