Machine Learning & DSSVM (Support Vector Machine) tìm siêu phẳng (hyperplane) phân tách hai lớp sao cho lề (margin) — khoảng cách từ siêu phẳng tới điểm gần nhất của mỗi lớp — là lớn nhất. Những điểm nằm sát lề gọi là support vectors; chỉ chúng quyết định ranh giới. Biến thể soft-margin cho phép một số vi phạm lề, với tham số C đánh đổi giữa lề rộng và số lỗi.
Kernel trick: nhiều dữ liệu không tách tuyến tính trong không gian gốc. Kernel trick ánh xạ ngầm dữ liệu lên một không gian nhiều chiều hơn (nơi có thể tách tuyến tính) mà không cần tính tọa độ mới tường minh — chỉ cần một hàm kernel K(xᵢ, xⱼ) trả về tích vô hướng của hai điểm trong không gian đó. Điều này khả thi vì công thức SVM chỉ phụ thuộc tích vô hướng giữa các mẫu, nên thay tích vô hướng bằng kernel là đủ, tránh được chi phí tính toán ở chiều cao.
Kernel phổ biến: tuyến tính, đa thức (polynomial), RBF (Gaussian). Nhờ đó SVM tạo được ranh giới phi tuyến với chi phí hợp lý.