Una potente técnica de aprendizaje automático llamada Máquina de Vectores de Soporte (SVM) se utiliza para aplicaciones como regresión, detección de valores atípicos y clasificación lineal o no lineal. Las SVM pueden emplearse en tareas como clasificación de texto, clasificación de imágenes, detección de spam, reconocimiento de escritura, análisis de expresión génica, detección de rostros y detección de anomalías. Las SVM pueden manejar datos de alta dimensión y relaciones no lineales, lo que las hace versátiles y efectivas en una amplia gama de aplicaciones. Para localizar el hiperplano de separación más grande entre las múltiples clases incluidas en la característica objetivo, los métodos SVM son particularmente exitosos. Son útiles en casos con grandes dimensiones. El uso de memoria de la función de decisión es eficiente ya que utiliza vectores de soporte, un subconjunto de puntos de entrenamiento. Para las funciones de decisión, se pueden proporcionar diversas funciones de kernel, así como kernels específicos.