摘要：
本文主要是评估多种监督机器学习算法的有效性，这些算法用于判断一个错误报告是否是reopened的，算法如下：
7种监督学习算法：kNN,SVM, SimpleLogistic,Bayesian Network, Decision Table, CARTand LWL；
3种集成学习算法： AdaBoost,Bagging and Random Forest。
实验结果表明：
评判的指标：accuracy scores和 F-Measure scores
Bagging and Decision Table取得了比较好的性能。
S1 Introduction
一个典型的错误修复通常包括4个阶段：(以Bugzilla为例)
- 检测到软件中的一个bug，发布一个bug report，状态标记为“new”；
- bug triager指派每一个bug到与之相应的开发者，状态标记为“assigned”；
- 开发者阅读bug report，验证是否是一个bug，若是，则修复它，状态标记为“verified”；
- 若不是一个bug，或已修复完毕，则bug triager会关闭这个bug，状态标记为“closed”。
然而，很多时候，一个bug必须被重新开放，因为：
- 检测到bug时并没有提供大量的信息，导致开发者对bug的真正原因判断不准确；
- 尽管在先前的系统中已被修复，bug又重新出现在当前版本的系统中。
重新开放的bug修复起来更加耗时，成本越高，因为开发者必须重新审视问题。
S2 总体框架
由上图可以看到，有两个阶段：1）训练阶段；2）测试阶段。
在特征提取的过程中，把特征分类四类：
以下是算法中一些参数的设定：
S3 实验结果
数据集用的是之前Shihab所使用的，其中包含1530个bug report，其中246个为reopened。
使用十折交叉验证的方法，对数据集进行处理。
指标也和Shihab的相同： accuracy, re-opened precision (Precision(re)), reopened recall (Recall(re)),reopened F-Measure ((F-Measure(re)),
not reopened precision(Precision(nre)), not reopened recall (Recall(nre)), and not reopened F-measure (F-Measure(nre)).
这10种算法统一用weka实现。
主要的问题：
- 10种算法性能差异；
2. 集成学习算法的性能是否优于非集成学习算法？
结论表明，并没有直接关系。
S5 结论与未来工作方向
本文中算法都只采用唯一的参数，以后要尝试修改参数，来进行比较。