基于数值型数据，使用混合的模糊规则算法（比如RecBF-DDA算法）训练出一个模糊规则模型。该算法是基于数据型数据计算规则，而且模糊区间在更高维空间中。 从输入表中选中的数值型字段用于训练，其它字段用来作为预测目标。分类型字段和取值在0~1之间的数值型字段都可以用作预测目标。每一个规则都有一个模糊区间和带有许多规则度量值的目标分类字段组成。 模型的输出端口包含了可以供分类预测器节点使用的模糊规则模型。
对话框选项
缺失值
选择处理缺失值的方法：如果在模型训练期间没有找到可以用来替代的值，"包括其内"会产生带有缺失值的模糊规则。"最佳推测"通过将包含缺失值的模糊规则投影到其他缺失的维度上来计算最佳的替代值。 "均值"、"最小值"、"最大值"都是通过使用每个字段的统计量来替换缺失值。"0"和"1"都是使用0或者1常量替换缺失值。
高级
如果选中 提交后浓缩，当一个新的规则生成后，缩减冲突的规则的程序将立即执行。 如果选中 使用最大覆盖的类，在模型训练期间，只有目标字段中最大覆盖程度的类会被使用，
最大周期数
如果选中此项，则可以指定处理整个数据集的周期数，否则程序会反复执行直到规则模型稳定。
模糊
模糊标准 选择一个应用于所有维度和规则的模糊计算标准。模糊标准很重要，因为它们整合了某个规则的模糊区间中所有的成员值并计算应用于所有规则的最终输出结果。 可用的模糊标准有: 最小/最大标准，产品标准， Lukasiewicz标准和Yager[2.0]标准。 浓缩函数 选择一个浓缩方法去缩减规则以避免不同的规则产生冲突。一共有三种浓缩方法： 边界浓缩法是依据核心区域的边界进行浓缩。末尾浓缩法是依据末尾的值进行浓缩。规则浓缩法使用整个规则进行浓缩。
端口
输入端口

输出端口

视图
训练统计量
显示训练过程的概要信息。