Uma técnica poderosa de machine learning chamada Support Vector Machine (SVM) é utilizada para aplicações como regressão, detecção de outliers e classificação linear ou não linear. A classificação de texto, classificação de imagens, detecção de spam, reconhecimento de caligrafia, análise de expressão gênica, detecção de faces e detecção de anomalias são apenas algumas das tarefas que podem ser realizadas com SVMs. As SVMs conseguem lidar com dados de alta dimensionalidade e relações não lineares, tornando-as flexíveis e eficazes em uma ampla gama de aplicações. Para localizar o hiperplano de maior separação entre as várias classes contidas na característica alvo, os métodos SVM são particularmente eficazes. Úteis em casos com grandes dimensões. O uso de memória da função de decisão é eficiente, pois utiliza vetores de suporte, um subconjunto de pontos de treinamento. Para as funções de decisão, podem ser fornecidas várias funções de kernel, bem como kernels específicos.