支持向量数据描述方法有什么特点

数据描述关注数据本身的分布特点，采用好的数据描述方法可以包含所有感兴趣的目标点而不含有多余的全间。SVM是一种基于结构风险最小化原理的统计学习方法，已在模式期射和函数估计方面得到广泛应用，但SVM算法是一种有监督学习功能的二分类器，在训练时需要知道两类样本的类别，而在很多实际问题中，如高光谱异常目标检测中，既不知道背景数据的分布特性，也不知道目标数据的分布特性。因此，设计一种能够解决单类数据的SVM算法就显得十分必要。SVM基础上，针对单类数据提出了一种数据描述算法——支持向量数据描述。与SVM不同的是，SVDD不是寻找一个超平面，而是通过计算包含一组数据的最小超球体边界，以对数据的分布范围进行描述。通常位于超球体内部的数据被分类为目标对象，位于超球体边界的数据称为支持向量，超球体外的数据则被称为奇异点或离群点，通过最小化超球体的体积，以对数据集进行描述。