Setiap contoh pada training set berisi satu "nilai target" (label kelas) dan beberapa "atribut"

(fitur). Tujuan dari SVM adalah untuk menghasilkan model yang memprediksi nilai target
contoh data yang di set pengujian yang diberikan hanya atribut. Data pelatihan file format:
di mana kelas (1 N) adalah kelas target dan atribut atau fitur yang diwakili dalam rangka
meningkatkan dengan nilainya. File input adalah serangkaian fitur yang kita ambil dari
karakter tersegmentasi kami dengan 0 sebagai kelas sasaran yang menunjukkan tidak
diketahui dan dalam format yang sama sebagai data pelatihan kami yang disebutkan di atas.
Kerja dari SVM dalam dua tahap. Ada proses pelatihan satu kali yang output file (model)
yang merupakan pembelajaran SVM berdasarkan data training. Pada tahap kedua, SVM
memprediksi kelas target yang menerapkan model ini pada data pengujian.

Kami memutuskan untuk menggunakan Support Vector Machines untuk mengenali karakter
tersegmentasi kami karena fakta memberikan dalam hasil terbaik dalam pengenalan pola dan
mudah untuk menerapkan. SVM adalah serangkaian metode yang digunakan dalam mesin
pembelajaran untuk klasifikasi dan regresi dari satu set data pembelajaran. Masing-masing
sampel dalam data pembelajaran dipetakan ke nilai dalam dimensi ruang yang lebih tinggi.
Data diklasifikasikan dengan datang dengan optimal Pesawat hiper N-dimensi yang
memisahkan data ke dalam contoh-contoh positif dan negatif.
Pesawat akan dipilih untuk memiliki jarak terbesar dari pesawat hiper ke terdekat
contoh positif dan negatif. Hal ini dikenal sebagai menemukan margin maksimum
dan semakin besar margin, lebih tinggi tingkat klasifikasi. Vektor yang mendefinisikan lebar
margin dikenal sebagai vektor dukungan. Berikut adalah representasi untuk masalah dua
kelas sederhana di mana kotak adalah sampel positif dan negatif oval.