ماشین بردار پشتیبان مرزی با بیشترین حاشیه میان کلاس‌ها پیدا می‌کند. نمونه‌های نزدیک مرز که در تعیین آن نقش دارند، بردارهای پشتیبان نامیده می‌شوند.
با Kernel می‌توان مرزهای غیرخطی را مدل کرد. انتخاب کرنل و پارامترها مهم است و آموزش SVM برای داده‌های بسیار بزرگ ممکن است پرهزینه باشد.
SVM در تشخیص متن با ویژگی‌های زیاد می‌تواند مفید باشد. برای داده‌های بزرگ‌تر یا مسائل غیرخطی، انتخاب Kernel و هزینه آموزش اهمیت بیشتری پیدا می‌کند.
پیش از اعتماد به نتیجه، داده آزمون مستقل و معیار متناسب با مسئله تعریف کنید. خروجی ظاهراً قانع‌کننده همیشه به معنی عملکرد قابل‌اعتماد نیست.