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.