SVM은 다양한 분류 시나리오, 즉 이미지 인식이나 필체 패턴 인식과 같은 작업에 사용된다.

이미지 분류 작업에 SVM을 사용하면 기능을 크게 개선시킬 수 있다. 이미지 수천 개 또는 수백만 개를 분류하는 기능은 스마트폰과 인스타그램 같은 애플리케이션에 사용되면서 더욱 중요해졌다. 또한, SVM은 일반적인 텍스트나 웹 문서에서 텍스트를 분류할 수도 있다.

의료 과학 분야는 오래 전부터 SVM을 사용하여 단백질을 분류해왔다. 국립보건원(National Institute of Health)은 SVM 단백질 라이브러리를 개발하기도 했다. 단백질 라이브러리는 단백질을 기능별 계통으로 분류하는 웹 기반 도구다.

어떤 사람들은 SVM을 이해하기 어렵다고 비난하지만, 여러분이 머리 좋은 수학자로 태어나지 않은 이상 무슨 일이 일어나는지 설명할 수가 없다. 어떤 때는 블랙박스처럼 원리도 모른 채 이미 만들어진 SVM으로 구현한 프로그램에 데이터를 입력하고 결과 데이터를 얻기도 한다. 물론, 입력 데이터와 출력 데이터 사이에 무슨 관계가 있는지도 모르고 말이다.

SVM 머신 러닝은 퍼셉트론(perceptron, 5장에서 소개한 바 있다)의 개념을 가져와 기하 마진(geometric margin)을 극대화한다. 이것 때문에 SVM과 인공 신경망이 기능과 성능 면에서 자주 비교되곤 한다.