نزدیکترین داده های آموزشی به ابر صفحه های جدا کننده اثر جانبی نامیده می شوند.  الگوریتم SEM اولیه در ۱۹۶۳ توسط Vladimir Vapnik ابداع شد و در سال ۱۹۹۵ توسط Vapnik و Corinna Cortes برای حالت غیرخطی تعمیم داده شد. ماشین اثر جانبیی[۲] یکی از روش‌های یادگیری بانظارت[۳] است که از آن برای طبقه‌بندی و رگرسیون استفاده می‌کنند.

این روش از جمله روش‌های نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی از جمله شبکه‌های عصبی پرسپترون نشان داده است. مبنای کاری دسته‌بندی کننده SEM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌کنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد. حل معادله پیدا کردن خط بهینه برای داده‌ها به وسیله روش‌های QP (Quadratic Programming) که روش‌های شناخته شده‌ای در حل مسائل محدودیت‌دار هستند صورت می‌گیرد.

SEM از یک تکنیک که kernel trick نامیده می شود، برای تبدیل داده های شما استفاده می کند و سپس بر اساس این تبدیل، مرز بهینه بین خروجی های ممکن را پیدا می کند. به عبارت ساده تبدیلات بسیار پیچیده را انجام می دهد، سپس مشخص می کند چگونه داده هایتان را بر اساس برچسب ها یا خروجی هایی که تعریف کرده اید، جدا کنید.

[۱] Side Effect Machines

[۲] Side Effect Machines

[۳] Supervised learning