การจำแนกประเภทเชิงความสัมพัน์เป็นวิธีการหนึ่งที่ใช้สร้างตัวจำแนกประเภทข้อมูลที่มีความแม่นยำและให้กฎจำแนกประเภทที่เข้าใจได้ง่าย อย่างไรก็ตาม ขั้นตอนวิธี CBAซึ่งเป็นต้นแบบของการจำแนกประเภทเชิงความสัมพันธ์ ยังมีข้อจำกัดเกี่ยวกับวิธีการสร้างตัวจำแนกประเภทข้อมูล ส่งผลให้ความแม่นยำของขั้นตอนวิธี CBA ด้อยกว่าขั้นตอนวิธีประเภทเดียวกันที่เกิดขึ้นในภายหลัง งานวิจัยนี้จึงนำเสนอการประยุกต์ใช้แบ็กพรอพาเกชันนิวรอลเน็ตเวิร์กเพื่อจำแนกประเภทจากกฎความสัมพันธ์ของประเภท ผู้วิจัยได้นำนิวรอลเน็ตเวิร์กมาใช้กับการจำแนกประเภทข้อมูลใน 2 ลักษณะ คือ เพื่อคัดเลือกกฎความสัมพันธ์ของประเภทที่ใช้จำแนกประเภทข้อมูล และเพื่อจำแนกประเภทข้อมูลโดยตรง ข้อดีของวิธีการที่นำเสนอ คือ การนำความรู้ก่อนหน้าซึ่งอยู่ในรูปแบบกฎความสัมพันธ์ของประเภทที่ค้นพบในขั้นตอนการค้นหากฎความสัมพันธ์ของประเภท มาช่วยกำหนดโครงสร้างของนิวรอลเน็ตเวิร์กที่จะใช้ทำการเรียนรู้เพื่อสร้างตัวจำแนกประเภทข้อมูลสำหรับข้อมูลใหม่ด้วยความแม่นยำที่มากยิ่งขึ้น ผลการทดลองโดยเปรียบเทียบวิธีการที่นำเสนอกับวิธีการเรียนรู้ของเครื่องแบบC4.5 ขั้นตอนวิธี CBA เดิม และ CPAR แสดงให้เห็นว่าวิธีการที่นำเสนอนี้ให้ผลลัพธ์ความแม่นยำของการจำแนกประเภทข้อมูลที่ดีที่สุด