この実験のセットは、先に述べたように(図6.14参照)、それがＧＲＵＦＦ椅子データベースのために作られた、手作りされたプリミティブメンバーシップ機能を学習することがＯＭＬＥＴにとって可能であるか決定する。これらの実験のために、我々は、どのようによくＯＭＬＥＴがメンバーシップ関数のセットのエラー値を最小にするか学習するかだけでなく、どのように近く学習されたメンバーシップ関数がＧＲＵＦＦによって使われる実行関数を近似するかを決定する。我々は、同じく望まれる範囲の点の限られた数が利用可能であるとき、どのようによくＯＭＬＥＴが学習するかを決定する。例えば、もしメンバーシップ関数の台形の足の一つをトレーニングセットが望まれない点で提供するなら何が起きるのだろうか？もし、あるメンバーシップ関数の標準範囲[Ｎ１，Ｎ２]で望まれない点があるのなら、台形の足の上は一つの点だけであろうか？学習タスクが、ＧＲＵＦＦの測定値をコピーするように定式化されるとき、これらの実験のためのトレーニングデータは効率的にノイズレスである。ノイズレスデータが実世界の状態に対応しないとき、それは我々の学習アルゴリズムの可能性の評価を助け、それは我々にパフォーマンス評価のための事由・真実を教える。