Data Mining. Concepts and Techniques, 3rd Edition

HAN

21-bib-633-672-9780123814791

2011/6/1

3:27

Page 655

#23

Bibliography

655

[LLS00]

T.-S. Lim, W.-Y. Loh, and Y.-S. Shih. A comparison of prediction accuracy, complex-

ity, and training time of thirty-three old and new classification algorithms. Machine

Learning, 40:203–228, 2000.

[LM97]

K. Laskey and S. Mahoney. Network fragments: Representing knowledge for construct-

ing probabilistic models. In Proc. 13th Annual Conf. Uncertainty in Artificial Intelligence,

pp. 334–341, San Francisco, CA, Aug. 1997.

[LM98a]

H. Liu and H. Motoda. Feature Selection for Knowledge Discovery and Data Mining.

Kluwer Academic, 1998.

[LM98b]

H. Liu and H. Motoda (eds.). Feature Extraction, Construction, and Selection: A Data

Mining Perspective. Kluwer Academic, 1998.

[LNHP99]

L. V. S. Lakshmanan, R. Ng, J. Han, and A. Pang. Optimization of constrained fre-

quent set queries with 2-variable constraints. In Proc. 1999 ACM-SIGMOD Int. Conf.

Management of Data (SIGMOD’99), pp. 157–168, Philadelphia, PA, June 1999.

[L-NK03]

D. Liben-Nowell and J. Kleinberg. The link prediction problem for social networks. In

Proc. 2003 Int. Conf. Information and Knowledge Management (CIKM’03), pp. 556–559,

New Orleans, LA, Nov. 2003.

[Los01]

D. Loshin. Enterprise Knowledge Management: The Data Quality Approach. Morgan

Kaufmann, 2001.

[LP97]

A. Lenarcik and Z. Piasta. Probabilistic rough classifiers with mixture of discrete and

continuous variables. In T. Y. Lin and N. Cercone (eds.), Rough Sets and Data Mining:

Analysis for Imprecise Data, pp. 373–383, Kluwer Academic, 1997.

[LPH02]

L. V. S. Lakshmanan, J. Pei, and J. Han. Quotient cube: How to summarize the semantics

of a data cube. In Proc. 2002 Int. Conf. Very Large Data Bases (VLDB’02), pp. 778–789,

Hong Kong, China, Aug. 2002.

[LPWH02]

J. Liu, Y. Pan, K. Wang, and J. Han. Mining frequent itemsets by opportunistic projec-

tion. In Proc. 2002 ACM SIGKDD Int. Conf. Knowledge Discovery in Databases (KDD’02),

pp. 239–248, Edmonton, Alberta, Canada, July 2002.

[LPZ03]

L. V. S. Lakshmanan, J. Pei, and Y. Zhao. QC-Trees: An efficient summary structure

for semantic OLAP. In Proc. 2003 ACM-SIGMOD Int. Conf. Management of Data

(SIGMOD’03), pp. 64–75, San Diego, CA, June 2003.

[LS95]

H. Liu and R. Setiono. Chi2: Feature selection and discretization of numeric attributes.

In Proc. 1995 IEEE Int. Conf. Tools with AI (ICTAI’95), pp. 388–391, Washington, DC,

Nov. 1995.

[LS97]

W. Y. Loh and Y. S. Shih. Split selection methods for classification trees. Statistica Sinica,

7:815–840, 1997.

[LSBZ87]

P. Langley, H. A. Simon, G. L. Bradshaw, and J. M. Zytkow. Scientific Discovery:

Computational Explorations of the Creative Processes. Cambridge, MA: MIT Press, 1987.

[LSL95]

H. Lu, R. Setiono, and H. Liu. Neurorule: A connectionist approach to data mining. In

Proc. 1995 Int. Conf. Very Large Data Bases (VLDB’95), pp. 478–489, Zurich, Switzerland,

Sept. 1995.

[LSW97]

B. Lent, A. Swami, and J. Widom. Clustering association rules. In Proc. 1997 Int. Conf.

Data Engineering (ICDE’97), pp. 220–231, Birmingham, England, Apr. 1997.

[Lux07]

U. Luxburg. A tutorial on spectral clustering. Statistics and Computing, 17:395–416,

2007.

---

HAN

21-bib-633-672-9780123814791

2011/6/1

3:27

Page 656

#24

656

Bibliography

[LV88]

W. Y. Loh and N. Vanichsetakul. Tree-structured classificaiton via generalized discrimi-

nant analysis. J. American Statistical Association, 83:715–728, 1988.

[LZ05]

Z. Li and Y. Zhou. PR-Miner: Automatically extracting implicit programming rules

and detecting violations in large software code. In Proc. 2005 ACM SIGSOFT Symp.

Foundations of Software Engineering (FSE’05), Lisbon, Portugal, Sept. 2005.

[MA03]

S. Mitra and T. Acharya. Data Mining: Multimedia, Soft Computing, and Bioinformatics.

John Wiley & Sons, 2003.

[MAE05]

A. Metwally, D. Agrawal, and A. El Abbadi. Efficient computation of frequent and

top-k elements in data streams. In Proc. 2005 Int. Conf. Database Theory (ICDT’05),

pp. 398–412, Edinburgh, Scotland, Jan. 2005.

[Mac67]

J. MacQueen. Some methods for classification and analysis of multivariate observations.

In Proc. 5th Berkeley Symp. Math. Stat. Prob., 1:281–297, Berkeley, CA, 1967.

[Mag94]

J. Magidson. The CHAID approach to segmentation modeling: CHI-squared automatic

interaction detection. In R. P. Bagozzi (ed.), Advanced Methods of Marketing Research,

pp. 118–159. Blackwell Business, 1994.

[Man00]

H. Mannila. Theoretical frameworks of data mining. SIGKDD Explorations, 1:30–32,

2000.

[MAR96]

M. Mehta, R. Agrawal, and J. Rissanen. SLIQ: A fast scalable classifier for data mining.

In Proc. 1996 Int. Conf. Extending Database Technology (EDBT’96), pp. 18–32, Avignon,

France, Mar. 1996.

[Mar09]

S. Marsland. Machine Learning: An Algorithmic Perspective. Chapman & Hall/CRC, 2009.

[MB88]

G. J. McLachlan and K. E. Basford. Mixture Models: Inference and Applications to

Clustering. John Wiley & Sons, 1988.

[MC03]

M. V. Mahoney and P. K. Chan. Learning rules for anomaly detection of hostile net-

work traffic. In Proc. 2003 Int. Conf. Data Mining (ICDM’03), Melbourne, FL, Nov.

2003.

[MCK

+

04]

N. Mamoulis, H. Cao, G. Kollios, M. Hadjieleftheriou, Y. Tao, and D. Cheung. Min-

ing, indexing, and querying historical spatiotemporal data. In Proc. 2004 ACM SIGKDD

Int. Conf. Knowledge Discovery in Databases (KDD’04), pp. 236–245, Seattle, WA, Aug.

2004.

[MCM83]

R. S. Michalski, J. G. Carbonell, and T. M. Mitchell. Machine Learning, An Artificial

Intelligence Approach, Vol. 1. Morgan Kaufmann, 1983.

[MCM86]

R. S. Michalski, J. G. Carbonell, and T. M. Mitchell. Machine Learning, An Artificial

Intelligence Approach, Vol. 2. Morgan Kaufmann, 1986.

[MD88]

M. Muralikrishna and D. J. DeWitt. Equi-depth histograms for extimating selectiv-

ity factors for multi-dimensional queries. In Proc. 1988 ACM-SIGMOD Int. Conf.

Management of Data (SIGMOD’88), pp. 28–36, Chicago, IL, June 1988.

[Mei03]

M. Meilˇa. Comparing clusterings by the variation of information. In Proc. 16th Annual

Conf. Computational Learning Theory (COLT’03), pp. 173–187, Washington, DC, Aug.

2003.

[Mei05]

M. Meilˇa. Comparing clusterings: An axiomatic view. In Proc. 22nd Int. Conf. Machine

Learning (ICML’05), pp. 577–584, Bonn, Germany, 2005.

[Men03]

J. Mena. Investigative Data Mining with Security and Criminal Detection. Butterworth-

Heinemann, 2003.

---