El diseño de las técnicas de clasificación lineal de Máquinas de Vectores de Soporte (SVM) es generalmente un Problema de Optimización Multiobjetivo (MOP). Estas técnicas de clasificación requieren encontrar compensaciones apropiadas entre dos objetivos, como la cantidad de datos de entrenamiento mal clasificados (error de clasificación) y el número de elementos no nulos del hiperplano separador. En este artículo, revisamos varios modelos de clasificación lineal de SVM en forma de optimización multiobjetivo. Ponemos especial énfasis en la aplicación de la optimización dispersa (en términos de minimización del número de elementos no nulos del hiperplano separador) para la Selección de Características (FS) para la optimización multiobjetivo de SVM lineal. Nuestro propósito principal es demostrar las ventajas de considerar las técnicas de clasificación lineal de SVM como MOPs. En casos multiobjetivo, podemos obtener un conjunto de soluciones óptimas de Pareto en lugar de una solución óptima en casos de un solo objetivo. Los resultados de estos SVM lineales se informan en algunos conjuntos de datos de clasificación. Los problemas de prueba están diseñados específicamente para desafiar el número de componentes no nulos del vector normal del hiperplano separador. Utilizamos estos conjuntos de datos para modelos multiobjetivo y de un solo objetivo.