Basadas en la teoría de Vapnik–Chervonenkis, las Support Vector Machines ofrecieron clasificadores de margen máximo, a menudo con kernels que mapeaban a espacios de alta dimensión.
En benchmarks de texto, bioinformática y visión a pequeña escala, las SVM fueron el estado del arte antes del deep learning. Librerías como LIBSVM democratizaron su uso.
El éxito de las SVM consolidó el framing probabilístico-estadístico del ML frente a la IA simbólica clásica, preparando la cultura de validación cruzada y generalización que aún rige.
