図６．２０は、「通常の椅子」カテゴリーからの例のサンプル対トレーニングセットのサイズ毎平均エラーのプロットと、別に「背もたれがまっすぐな椅子」カテゴリーからの例のプロットを示す。２５の背もたれがまっすぐな椅子の例だけがあるので、3つの異なるトレーニングサイズ（６，１２，１８）だけが、一つ抜き出すテストのほかに評価された。全ての78の通常の椅子の例は、「背もたれがまっすぐな椅子」カテゴリーがトレーニングされるための範囲の前に、[通常の椅子」カテゴリーで関連付けられた範囲を学習するために使用した。これは、「通常の椅子」カテゴリーのための範囲が、「背もたれがまっすぐな椅子」カテゴリーの範囲であるためと考えられるエラーの０．５％についての実際に反応することを意味する。したがって、「背もたれがまっすぐな椅子」カテゴリーのための範囲が調整されているとき、「通常の椅子」範囲をトレーニングし固定したままでいるよう、エラーを保証するいくつかの試みがある。利用可能な4つのトレーニング例だけであったから、サブカテゴリー肘かけ椅子はテストされなかった。プロットは一般に訓練サンプルの数を増やすことは平均のエラーを縮小に導くことを示す。２０以上の訓練例が使われるとき、テスト例の実際の評価測定値は望ましい評価測定値の１％の中である。実際の範囲パラメータ（z１、n１、n２、z２）は通常の椅子の定義での３つの範囲のために（図６.１５参照）つぎのようである：
これらは、OMLETに提供したゴールで、望ましい評価測定値を決定するべきGRUFFによって使われる範囲値である。OMLETによって学ばれた範囲パラメータの典型的な例は次のようである：
ＯＭＬＥＴは連続面の範囲が一つの足のメンバーシップ関数であると決定することができ、ｎ２とｚ２の値(例えば存在しない足）は任意に大きくセットされた。これらの結果は、ＯＭＬＥＴシステムがＧＲＵＦＦ機能ベース物体認識システムで使われる範囲パラメータを地頭的に決定するためにラベル付けされた例を使うことを許容できる、ということを示す。これは、他の物体カテゴリー定義の構築を容易にするであろう。
