Η στρατηγική Mahalanobis – Taguchi είναι μία μέθοδος για την υποβοήθηση της λήψης αποφάσεων σε συστήματα πολλών διαστάσεων, με την κατασκευή μιας κατάλληλης κλίμακας μέτρησης και με τη χρήση απλών μεθόδων για τη βελτιστοποίηση του συστήματος. Οι αποφάσεις που λαμβάνονται με τη βοήθεια της κλίμακας μέτρησης επιτυγχάνουν χαμηλότερο κόστος διαγνώσεων και ελαχιστοποιούν τα περιστατικά λανθασμένων διαγνώσεων, όπως επίσης και το χρόνο που απαιτείται για τη διάγνωση. Η στρατηγική περιλαμβάνει: (α) κατασκευή μιας κλίμακας μέτρησης, βασισμένης στα χαρακτηριστικά εισόδου του συστήματος, προκειμένου να μετρηθεί ο βαθμός «ανωμαλίας» ή παρατυπίας διαφόρων καταστάσεων, (β) ποσοτικοποίηση της λειτουργικότητας του συστήματος με το κατάλληλο μέτρο, (γ) ελαχιστοποίηση του αριθμού των διαστάσεων (μεταβλητών) για μία πιο αποτελεσματική διάγνωση – λήψη απόφασης, (δ) πρόβλεψη της απόδοσης του συστήματος υπό διαφορετικές συνθήκες και (ε) αντιμετώπιση προβλημάτων που εμφανίζονται συχνά στα συστήματα πολλών διαστάσεων, όπως πολυσυγγραμμικότητα και χαμηλές συσχετίσεις. Στην εργασία αυτή, αφού πρώτα γίνεται μια συνοπτική περιγραφή της μεθόδου σε θεωρητικό επίπεδο, στη συνέχεια εφαρμόζεται σε συγκεκριμένη ερευνητική περιοχή που ασχολείται με την ποιότητα του λογισμικού ως προϊόν και η οποία προσπαθεί να αναπτύξει μεθόδους αποτελεσματικής διάγνωσης ατελειών (defect prediction) στο λογισμικό, μέσω μετρικών που έχουν σχέση με την πολυπλοκότητα και το μέγεθος του κώδικα. Η μεθοδολογία εφαρμόζεται σε ένα σύνολο δεδομένων με τμήματα πηγαίου κώδικα, κάποια από τα οποία περιέχουν ατέλειες (defects). Τα αποτελέσματα επικυρώνουν την ακρίβεια της μεθόδου στη διάγνωση της ύπαρξης ατελειών.

The Mahalanobis-Taguchi Strategy (MTS) combines mathematical and statistical concepts like Mahalanobis distance, Gram-Schmidt orthogonalization and experimental designs to the problem of diagnosis and decision making based on multivariate data. The primary purpose is to develop a scale to measure the degree of abnormality of cases, compared to “normal” or “healthy” cases. An optimal subset of variables for measuring abnormality is then selected and rules for future diagnosis are defined based on them and the measurement scale.This maps well to software defect prediction based on a multivariate set of software metrics and attributes. In this thesis, the MTS is described and applied to well-known datasets in order to evaluate the fault-proneness of software modules. The classification scheme resulting from the MTS measurement scale shows that MTS is a promising technique for software defect diagnosis.