cet article propose une méthode pour déterminer l'implication la plus propre à rendre compte de données grâce à des règles implicatives de la forme "si x est A alors y est B" où A et B sont des propriétés, représentées par des sous-ensembles flous, qui font sens pour l'utilisateur. Selon l'implication utilisée, la règle modélise une relation différente entre A et B. Les implications sont teprésentées sous la forme d'une matrice en discrétisant l'échelle d'évaluation des degrés d'appartenance. U détermination d'une implication appropriée aux données peut conduire (à de légers ré4ustements de A ou B près) à l'identification de règles graduelles, de règles à certitude, ou encore au constat de l'absence de règles significatives liant A et B. Abstract: "Learning the most relevant fuzzy rule type"

This paper presents a method for elicitating the most appropriate implication such that an implication-based fuzzy rule of the form "if X is A then Y is B" fits the data as well as possible. The implication is identified as a matrix, using a discretized numerical scale. The result may then lead ( up to a slight tuning of A or B) to the identification of a gradual rule, a certainty rule, or to the acknowledgment of the absence of a meaningful link between A or B.