در این مقاله، رویکرد غیر خطی در ماشین بردار پشتیبان با بهره گیری از ترفند هسته مورد بررسی قرار می گیرد. نتایج مطالعات محققان در زمینه یادگیری ماشین نشان می دهد که استفاده از ترفند هسته باعث بهبود دقت و کارایی مدل ها در مواجهه با داده هایی که از توزیع غیر خطی برخوردارند می گردد. آشنایی با جنبه های ریاضی این رویکرد به درک بهتر از چگونگی نگاشت داده ها از فضای ورودی به فضای ویژگی و تاثیر آن بر روی سطوح تصمیم کمک می کند. این تحقیق با ارائه برخی مثال ها و تحلیل های نظری، نقش کلیدی رویکرد غیر خطی در بهبود عملکرد ماشین بردار پشتیبان را به خوبی نمایان می سازد
