Như đã đề cập ở các mục trên, mục tiêu chương này là phát triển một thuật toán
A thiết kế các IS-LRBS giải bài toán hồi quy cho tập dữ liệu ứng dụng thực tế D. Ở đây, tính giải nghĩa được của LRBS là nội dung thông tin mà người sử dụng thu được khi đọc các luật ngôn ngữ trong LRB có thể hiểu như như là các câu trong ngôn ngữ của con người. Để thiết kế các LRBS giải nghĩa được, thuật toán A đã sử dụng cấu trúc tr-MGr để biểu diễn ngữ nghĩa tập mờ cho các LFoC. Khả năng mở rộng là đặc trưng của tri thức con người, con người có khả năng mở rộng tập ngôn ngữ sử dụng hoặc/và mở rộng miền tri thức của họ về bài toán thực tế cụ thể để họ tích lũy thêm tri thức mới nhưng ngữ nghĩa của các từ, tri thức tri cũ vẫn được duy trì và không thay đổi. Để mô phỏng điều này trong thiết kế các LRBS, thuật toán A cho phép thiết kế các LRBS mở rộng từ các LRBS đã được thiết kế trước đó bằng cách cho toàn bộ hoặc một vài LFoC của các biến tăng trưởng hoặc tăng trưởng số luật trong LRBS. Mục đích của tiểu mục này trình bày các kết quả thực nghiệm để chứng tỏ các mục tiêu sau đây của A :
∘ Mục tiêu 1: Các cấu trúc tr-MGr của các LFoC của các biến được sử dụng trong thuật toán A có thể giải nghĩa được và nâng cao độ chính xác của các LRBS được thiết kế.
∘ Mục tiêu 2: Thuật toán A được đề xuất thiết kế các LRBS giải nghĩa được và có thể mở rộng như cách mà con người tích lũy tri thức trong thực tế. Các LRBS được thiết kế mở rộng từ LRBS đã có tận dụng được những tính chất vốn có của LRBS hiện tại và tiếp tục được tối ưu, do đó nó có độ chính xác cao hơn.