SVDD和OCSVM的比较

    OCSVM（one class support vector machine）即单类支持向量机，最先提出的文献为：Estimating the support of a high-dimensional distribution.  该模型 将数据样本通过核函数映射到高维特征空间，使其具有更良好的聚集性，在特征空间中求解一个最优超平面实现目标数据与坐标原点的最大分离，如图1：

坐标原点被假设为唯一的一个异常样本，最优超平面与坐标原点最大距离为, 并允许少部分样本在坐标原点与分界面之间，与分类超平面的距离为。

 

 

    SVDD（（Support Vector Data Description）即支持向量数据描述，最先提出的文献为：Support Vector Data Description，，其基本思想是通过在映射到高维的特征空间中找出一个包围目标样本点的超球体，并通过最小化该超球体所包围的体积让目标样本点尽 能地被包围在超球体中，而非目标样本点尽可能地排除在超球体中，从而达到两类之间划分的目的。该方法目标是求出能够包含正常数据样本的最小超球体的中心a和半径R。

    两种单分类方法的区别与联系：

通过以上的分析 ，建立了 2种模型之间存在的联系 ，可见不同之处在于对 的标准化约束和误差函数，当对数据进行标准化处理后 ，2种模型能够取得一样的效果 。同时SVDD的论文指出当采用高斯核函数时，2种模型对数据的描述效果相当。

参考：基于支持向量的单类分类方法综述  吴定海，张培林，任国全，陈非