Ereignisbehandler weisen eine breite Anwendungsspanne auf, beispielsweise in medizinischen Assistenzsystemen oder Feuerlöschsystemen. Diese Systeme bemühen sich, präzise Antworten auf Basis des geringsten verfügbaren Informationsgehalts zu liefern. Die Support-Vektor-Datenbeschreibung (SVDD) ist eines der geeigneten Werkzeuge für eine derartige Erkennung, das insbesondere die Bewältigung von Informationsmangel ermöglicht. Daher wurden zahlreiche Bemühungen unternommen, die SVDD zu verbessern. Leider leiden die bestehenden Beschreibungsverfahren jedoch unter einer schwachen Erfassung datenbezogener Merkmale bei spärlichen Datensätzen, und ihre Anpassungsparameter sind unangemessen strukturiert. Diese Probleme führen zu einer Verringerung der Genauigkeit von Ereignisbehandlern, wenn sie mit Datenknappheit konfrontiert sind. Daher schlagen wir eine automatische Support-Vektor-Datenbeschreibung (ASVDD) vor, die sowohl auf der Validierungsgrad-Metrik basiert – einer aus der Fuzzy-Rough-Set-Theorie stammenden Methode zur Entdeckung datenbezogener Charakteristika – als auch auf der effektiven Zuweisung von Anpassungsparametern mittels eines chaotischen Fledermaus-Algorithmus. Zur Bewertung der Leistungsfähigkeit von ASVDD wurden mehrere Experimente an verschiedenen Datensätzen aus der UCI-Repository durchgeführt. Die experimentellen Ergebnisse belegen die Überlegenheit des vorgeschlagenen Ansatzes gegenüber aktuellen State-of-the-Art-Verfahren hinsichtlich Klassifizierungsgenauigkeit und AUC-Wert. Um eine signifikante Unterscheidung zwischen den Genauigkeitsergebnissen des vorgeschlagenen Verfahrens und jenen der führenden Methoden nachzuweisen, wurde der Wilcoxon-Statistik-Test durchgeführt.