支持向量数据描述 (SVDD) 找到包含所有样本的最小超球面，除了一些异常值。一类 SVM (OC-SVM) 通过找到距原点最大距离的超平面来将异常值与异常值分开。

如果核函数具有以下性质 $k(\mathbf{x}, \mathbf{x}) = 1 \quad \forall \mathbf{x} \in \mathbb{R}^d$, SVDD 和 OC-SVM 学习相同的决策函数。许多常见的内核都具有此属性，例如 RBF、拉普拉斯和$\chi^2$.

SVDD 和 OC-SVM 在所有样本都位于以原点为中心的超球面上并且与其线性可分的情况下也是等价的。

参见兰伯特，CH (2009)。计算机视觉中的内核方法（第 5 章）以更详细地描述这些模型。