Efficient computation of multiple density-based clustering hierarchies (2017)
- Authors:
- Autor USP: CAMPELLO, RICARDO JOSÉ GABRIELLI BARRETO - ICMC
- Unidade: ICMC
- DOI: 10.1109/ICDM.2017.127
- Subjects: RECONHECIMENTO DE PADRÕES; MINERAÇÃO DE DADOS; DESCOBERTA DE CONHECIMENTO
- Language: Inglês
- Imprenta:
- Publisher: IEEE
- Publisher place: Piscataway
- Date published: 2017
- Source:
- Título: Proceedings
- ISSN: 2374-8486
- Conference titles: IEEE International Conference on Data Mining - ICDM
- Este periódico é de assinatura
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: green
-
ABNT
ARAUJO NETO, Antonio Cavalcante et al. Efficient computation of multiple density-based clustering hierarchies. 2017, Anais.. Piscataway: IEEE, 2017. Disponível em: https://doi.org/10.1109/ICDM.2017.127. Acesso em: 09 jan. 2026. -
APA
Araujo Neto, A. C., Sander, J., Campello, R. J. G. B., & Nascimento, M. A. (2017). Efficient computation of multiple density-based clustering hierarchies. In Proceedings. Piscataway: IEEE. doi:10.1109/ICDM.2017.127 -
NLM
Araujo Neto AC, Sander J, Campello RJGB, Nascimento MA. Efficient computation of multiple density-based clustering hierarchies [Internet]. Proceedings. 2017 ;[citado 2026 jan. 09 ] Available from: https://doi.org/10.1109/ICDM.2017.127 -
Vancouver
Araujo Neto AC, Sander J, Campello RJGB, Nascimento MA. Efficient computation of multiple density-based clustering hierarchies [Internet]. Proceedings. 2017 ;[citado 2026 jan. 09 ] Available from: https://doi.org/10.1109/ICDM.2017.127 - A cluster based hybrid feature selection approach
- Ensembles for unsupervised outlier detection: challenges and research questions
- Communities validity: methodical evaluation of community mining algorithms
- Relative validity criteria for community mining algorithms
- Identificação e controle de processos via desenvolvimentos em séries ortonormais: parte B: controle preditivo
- A fuzzy extension of the rand index and other related indexes for clustering and classification assessment
- On the selection of appropriate distances for gene expression data clustering
- Proximity measures for clustering gene expression microarray data: a validation methodology and a comparative analysis
- Clustering of RNA-Seq samples: comparison study on cancer data
- Model selection for semi-supervised clustering
Informações sobre o DOI: 10.1109/ICDM.2017.127 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
