Una SVM busca la línea (o superficie, en más dimensiones) que separa dos categorías de datos maximizando la distancia entre esa frontera y los puntos más cercanos de cada categoría, llamados “vectores de soporte”. Un margen más amplio suele traducirse en mejor capacidad de generalizar a datos nuevos.
Su capacidad para problemas no lineales
Mediante el uso del “truco del kernel”, las SVM pueden encontrar fronteras de separación complejas y no lineales, proyectando los datos a un espacio de mayor dimensión donde sí resulten separables por una superficie simple.