adequa-se a problemas de agrupamento de dados multidimensionais.

apoia-se no princípio do “kernel trick”, que mapeia explicitamente dados não lineares em outros dados lineares.

define margem como sendo a maior saturação de erro (bias) suportada pelo algoritmo na geração de hiperplanos concorrentes.

inviabiliza o uso de abordagens para SVMs lineares com margens rígida e suave para utilização em SVMs não lineares em dados linearmente inseparáveis.

usa um mapeamento não linear para transformar os dados de treino originais em um espaço de dimensão superior.