Las máquinas de vectores de soporte son modelos de aprendizaje supervisado capaces de clasificar datos y medir la regresión mediante un algoritmo de aprendizaje. Si los datos son linealmente separables, se utiliza un kernel lineal convencional para clasificarlos. De lo contrario, los datos suelen transformarse primero del espacio de entrada al espacio de características, y luego se clasifican. Sin embargo, llevar a cabo esta transformación no siempre es práctico, y el proceso en sí aumenta el costo de entrenamiento y predicción. Para abordar estos problemas, este artículo propone un kernel SVM, llamado ponderado difuso poligonal o PFW, que clasifica eficazmente los datos sin transformación de espacio, incluso si los grupos en cuestión no son linealmente separables y tienen áreas superpuestas. Este kernel se basa en la distribución de datos gaussiana, la desviación estándar, la regla de las tres sigmas y una función de membresía difusa poligonal. Una comparación de nuestro PFW, función de base radial (RBF) y kernels lineales convencionales en condiciones experimentales idénticas muestra que PFW produce un mínimo del 26% más de precisión de clasificación en comparación con el kernel lineal, y supera al kernel RBF en dos tercios de las etiquetas de clase, en un mínimo del 3%. Además, dado que PFW se ejecuta dentro del espacio de características original, no implica costos computacionales adicionales.