Los modelos de máquinas de soporte vectorial (SVM) aplican las condiciones de optimalidad de Karush-Kuhn-Tucker (KKT-OC) en la derivada ordinaria al problema de optimización primal, lo que tiene una gran influencia en los pesos asociados con la disimilitud entre los vectores de soporte seleccionados y, posteriormente, en la calidad de las predicciones del modelo. Reconociendo la capacidad de las derivadas fraccionarias para proporcionar a los modelos de aprendizaje automático más memoria a través de diferenciaciones más microscópicas, en este artículo generalizamos KKT-OC basado en derivadas ordinarias a KKT-OC utilizando derivadas fraccionarias (Frac-KKT-OC). Para mitigar el impacto del ruido e identificar vectores de soporte a partir del ruido, aplicamos el método Frac-KKT-OC a la versión intuicionista difusa de SVM (IFSVM). El modelo de SVM intuicionista difuso fraccionario (Frac-IFSVM) se evalúa luego en seis conjuntos de datos de la UCI y se utiliza para predecir los sentimientos incrustados en los tweets publicados por personas con diabetes. Teniendo en cuenta cuatro medidas de rendimiento (sensibilidad, especificidad, medida F y G-media), la versión Frac-IFSVM supera a SVM, FSVM, IFSVM, Frac-SVM y Frac-FSVM.