قواعد استخراج شده از یک مجموعه داده در فرآیند داده کاوی، به دلیل اهمیت در حوزه های کسب و کار همواره نیازمند رتبه بندی هستند تا بهترین و قابل اعتمادترین آنها را بتوان انتخاب نمود . تحلیل پوششی داده ها (data envelopment analysis ? dea) روشی است که برای رتبه بندی عادلانه نامزدها در یک انتخابات ترجیحی مطرح شد؛ و مو-چن چن برای اولین بار این روش را برای رتبه بندی قواعد پیوندی استخراج شده در داده کاوی استفاده کرد. وی همچنین برای تمایز میان قواعد بهینه از روش تمایز اوباتا و ایشی استفاده کرد. داده های موجود در هر مجموعه داده معمولاً به روز می شوند و در نتیجه آن، قواعد جدیدی از آن ها استخراج می گردد. از طرف دیگر الگوریتمهای تحلیل پوششی داده ها و تمایز اوباتا و ایشی پیچیده می باشند . در نتیجه بهنگام سازی امتیازهای قواعد نیازمند محاسبات زمانبر است. در این تحقیق با استفاده از روش های یادگیر و علی الخصوص شبکه های عصبی مصنوعی روشی معرفی شد تا بتوان بدون نیاز به انجام محاسبات ریاضیdea و فقط با استفاده از شبکه عصبی، قواعد جدید را رتبه بندی کرد. برای این منظور، امتیاز ترجیحی کلیه قواعد با استفاده از روش مو-چن چن محاسبه شد و به عنوان دادههای یادگیری به شبکه عصبی داده شد. پس از به روز شدن داده ها و استخراج قواعد جدید، قواعد به شبکه عصبی داده شدند تا امتیازشان بدست آید . این تحقیق نشان داد که شبکه های عصبی می توانند جایگزین خوبی برای محاسبات پیچیده تحلیل پوششی داده ها و قاعده تمایز اوباتا و ایشی باشند.