Accurately quantifying under score variability (2021)
- Authors:
- USP affiliated authors: REIS, DENIS MOREIRA DOS - ICMC ; HASSAN, WAQAR - ICMC
- Unidade: ICMC
- DOI: 10.1109/ICDM51629.2021.00149
- Subjects: APRENDIZADO COMPUTACIONAL; MINERAÇÃO DE DADOS
- Keywords: Counting; concept drift
- Language: Inglês
- Imprenta:
- Publisher: IEEE
- Publisher place: Los Alamitos
- Date published: 2021
- Source:
- Título: Proceedings
- Conference titles: IEEE International Conference on Data Mining - ICDM
- Este periódico é de assinatura
- Este artigo NÃO é de acesso aberto
- Cor do Acesso Aberto: closed
-
ABNT
MALETZKE, André Gustavo et al. Accurately quantifying under score variability. 2021, Anais.. Los Alamitos: IEEE, 2021. Disponível em: https://doi.org/10.1109/ICDM51629.2021.00149. Acesso em: 10 jan. 2026. -
APA
Maletzke, A. G., Reis, D. M. dos, Hassan, W., & Batista, G. E. de A. P. A. (2021). Accurately quantifying under score variability. In Proceedings. Los Alamitos: IEEE. doi:10.1109/ICDM51629.2021.00149 -
NLM
Maletzke AG, Reis DM dos, Hassan W, Batista GE de APA. Accurately quantifying under score variability [Internet]. Proceedings. 2021 ;[citado 2026 jan. 10 ] Available from: https://doi.org/10.1109/ICDM51629.2021.00149 -
Vancouver
Maletzke AG, Reis DM dos, Hassan W, Batista GE de APA. Accurately quantifying under score variability [Internet]. Proceedings. 2021 ;[citado 2026 jan. 10 ] Available from: https://doi.org/10.1109/ICDM51629.2021.00149 - The importance of the test set size in quantification assessment
- Classificação de fluxos de dados com mudança de conceito e latência de verificação
- Non-stationary and unpredictable data distributions in classification and quantification
- An efficient and accurate method for binary quantification
- Pitfalls in quantification assessment
- Challenges in benchmarking stream learning algorithms with real-world data
- Accurately quantifying a billion instances per second
- Exploring urban factors with autoencoders: relationship between static and dynamic features
- Modeling and predicting crimes in the city of São Paulo using graph neural networks
Informações sobre o DOI: 10.1109/ICDM51629.2021.00149 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3061027.pdf |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
