Data Mining: Practical Machine Learning Tools and Techniques, Second Edition

Bouckaert, R. R. 2004. Bayesian network classifiers in Weka. Working Paper 14/2004,

Department of Computer Science, University of Waikato, New Zealand.

Brachman, R. J., and H. J. Levesque, editors. 1985. Readings in knowledge represen-

tation. San Francisco: Morgan Kaufmann.

Brefeld, U., and T. Scheffer. 2004. Co-EM support vector learning. In R. Greiner 

and D. Schuurmans, editors, Proceedings of the Twenty-First International 

Conference on Machine Learning, Banff, Alberta, Canada. New York: ACM, pp.

121–128.

Breiman, L. 1996a. Stacked regression. Machine Learning 24(1):49–64.

———. 1996b. Bagging predictors. Machine Learning 24(2):123–140.

———. 1999. Pasting small votes for classification in large databases and online.

Machine Learning 36(1–2):85–103.

———. 2001. Random forests. Machine Learning 45(1):5–32.

Breiman, L., J. H. Friedman, R. A. Olshen, and C. J. Stone. 1984. Classification and

regression trees. Monterey, CA: Wadsworth.

Brin, S., R. Motwani, J. D. Ullman, and S. Tsur. 1997. Dynamic itemset counting 

and implication rules for market basket data. ACM SIGMOD Record

26(2):255–264.

Brodley, C. E., and M. A. Friedl. 1996. Identifying and eliminating mislabeled train-

ing instances. In Proceedings of the Thirteenth National Conference on 

Artificial Intelligence, Portland, OR. Menlo Park, CA: AAAI Press, pp. 799–805.

Brownstown, L., R. Farrell, E. Kant, and N. Martin. 1985. Programming expert

systems in OPS5. Reading, MA: Addison-Wesley.

Buntine, W. 1992. Learning classification trees. Statistics and Computing 2(2):63–73.

Burges, C. J. C. 1998. A tutorial on support vector machines for pattern recogni-

tion. Data Mining and Knowledge Discovery 2(2): 121–167.

Cabena, P., P. Hadjinian, R. Stadler, J. Verhees, and A. Zanasi. 1998. Discovering data

mining: From concept to implementation. Upper Saddle River, NJ: Prentice

Hall.

Califf, M. E., and R. J. Mooney. 1999. Relational learning of pattern-match rules for

information extraction. In Proceedings of the Sixteenth National Conference on

Artificial Intelligence, Orlando, FL. Menlo Park, AC: AAAI Press, pp. 328–334.

Cardie, C. 1993. Using decision trees to improve case-based learning. In P. Utgoff,

editor, Proceedings of the Tenth International Conference on Machine Learning,

Amherst, MA. San Francisco: Morgan Kaufmann, pp. 25–32.

R E F E R E N C E S

4 8 7

P088407-REF.qxd  4/30/05  11:24 AM  Page 487

---

Cavnar, W. B., and J. M. Trenkle. 1994. N-Gram-based text categorization. Proceed-

ings of the Third Symposium on Document Analysis and Information Retrieval.

Las Vegas, NV, UNLV Publications/Reprographics, pp. 161–175.

Cendrowska, J. 1998. PRISM: An algorithm for inducing modular rules. Interna-

tional Journal of Man-Machine Studies 27(4):349–370.

Chakrabarti, S. 2003. Mining the web: discovering knowledge from hypertext data. San

Francisco, CA: Morgan Kaufmann.

Cheeseman, P., and J. Stutz. 1995. Bayesian classification (AutoClass): Theory and

results. In U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy,

editors, Advances in Knowledge Discovery and Data Mining. Menlo Park, CA:

AAAI Press, pp. 153–180.

Chen, M.S., J. Jan, and P. S. Yu. 1996. Data mining: An overview from a database

perspective. IEEE Transactions on Knowledge and Data Engineering 8(6):

866–883.

Cherkauer, K. J., and J. W. Shavlik. 1996. Growing simpler decision trees to facili-

tate knowledge discovery. In E. Simoudis, J. W. Han, and U. Fayyad, editors,

Proceedings of the Second International Conference on Knowledge Discovery and

Data Mining, Portland, OR. Menlo Park, CA: AAAI Press, pp. 315–318.

Cleary, J. G., and L. E. Trigg. 1995. K*: An instance-based learner using an entropic

distance measure. In A. Prieditis and S. Russell, editors, Proceedings of the

Twelfth International Conference on Machine Learning, Tahoe City, CA. San

Francisco: Morgan Kaufmann, pp. 108–114.

Cohen, J. 1960. A coefficient of agreement for nominal scales. Educational and 

Psychological Measurement 20:37–46.

Cohen, W. W. 1995. Fast effective rule induction. In A. Prieditis and S. Russell,

editors, Proceedings of the Twelfth International Conference on Machine 

Learning, Tahoe City, CA. San Francisco: Morgan Kaufmann, pp. 115–123.

Cooper, G. F., and E. Herskovits. 1992. A Bayesian method for the induction of prob-

abilistic networks from data. Machine Learning 9(4):309–347.

Cortes, C., and V. Vapnik. 1995. Support vector networks. Machine Learning

20(3):273–297.

Cover, T. M., and P. E. Hart. 1967. Nearest-neighbor pattern classification. IEEE

Transactions on Information Theory IT-13:21–27.

Cristianini, N., and J. Shawe-Taylor. 2000. An introduction to support vector machines

and other kernel-based learning methods. Cambridge, UK: Cambridge 

University Press.

4 8 8

R E F E R E N C E S

P088407-REF.qxd  4/30/05  11:24 AM  Page 488

---

Cypher, A., editor. 1993. Watch what I do: Programming by demonstration.

Cambridge, MA: MIT Press.

Dasgupta, S. 2002. Performance guarantees for hierarchical clustering. In J. Kivinen

and R. H. Sloan, editors, Proceedings of the Fifteenth Annual Conference on

Computational Learning Theory, Sydney, Australia. Berlin: Springer-Verlag, pp.

351–363.

Datta, S., H. Kargupta, and K. Sivakumar. 2003. Homeland defense, privacy-sensi-

tive data mining, and random value distortion. In Proceedings of the Workshop

on Data Mining for Counter Terrorism and Security, San Francisco. Society for

International and Applied Mathematics, Philadelphia, PA.

Demiroz, G., and A. Guvenir. 1997. Classification by voting feature intervals. In M.

van Someren and G. Widmer, editors, Proceedings of the Ninth European 

Conference on Machine Learning, Prague, Czech Republic. Berlin: Springer-

Verlag, pp. 85–92.

Devroye, L., L. Györfi, and G. Lugosi. 1996. A probabilistic theory of pattern recog-

nition. New York: Springer-Verlag.

Dhar, V., and R. Stein. 1997. Seven methods for transforming corporate data into busi-

ness intelligence. Upper Saddle River, NJ: Prentice Hall.

Diederich, J., J. Kindermann, E. Leopold, and G. Paass. 2003. Authorship attribu-

tion with support vector machines. Applied Intelligence 19(1):109–123.

Dietterich, T. G. 2000. An experimental comparison of three methods for con-

structing ensembles of decision trees: Bagging, boosting, and randomization.

Machine Learning 40(2):139–158.

Dietterich, T. G., and G. Bakiri. 1995. Solving multiclass learning problems via error-

correcting output codes. Journal Artificial Intelligence Research 2:263–286.

Domingos, P. 1997. Knowledge acquisition from examples via multiple models. In

D. H. Fisher Jr., editor, Proceedings of the Fourteenth International Conference

on Machine Learning, Nashville, TN. San Francisco: Morgan Kaufmann, pp.

98–106.

———. 1999. MetaCost: A general method for making classifiers cost sensitive. In

U. M. Fayyad, S. Chaudhuri, and D. Madigan, editors, Proceedings of the Fifth

International Conference on Knowledge Discovery and Data Mining, San Diego,

CA. New York: ACM, pp. 155–164.

Dougherty, J., R. Kohavi, and M. Sahami. 1995. Supervised and unsupervised dis-

cretization of continuous features. In A. Prieditis and S. Russell, editors,

Proceedings of the Twelfth International Conference on Machine Learning, Tahoe

City, CA. San Francisco: Morgan Kaufmann, pp. 194–202.

R E F E R E N C E S

4 8 9

P088407-REF.qxd  4/30/05  11:24 AM  Page 489

---