Les systèmes de classification à base de règles floues (SCBRF) sont des modèles puissant dans l'apprentissage automatique et la prise de décision, grâce à leur capacité de gérer l'imprécision et à fournir des modèles compréhensibles dans diverses applications. Dans les ensembles de données à haute dimension, la génération de la base de règles devient plus complexe et la construction de SCBRF pose un défi. En outre, un grand nombre d'attributs nécessite un plus grand nombre de règles pour les modéliser avec précision, ce qui augmente la complexité de calcul. Les chercheurs utilisent diverses techniques pour réduire le nombre de règles. Nous étudions une méthode particulière appelée SIFRA, à laquelle nous nous intéressons pour proposer une nouvelle approche de la génération de règles floues dans le but d'améliorer la performance du système et de maintenir son interprétabilité.
