L'intelligibilité représente la force motrice la plus importante derrière la mise en oeuvre des classifieurs à base flous pour les problèmes d'application médicale. Dans la littérature, la majorité des algorithmes basés sur un système d'inférence neuro-flou adaptatif (ANFIS) ne fournissent pas suffisamment d'explications sur la façon d'obtenir les résultats d'inférence. Ce livre traite la possibilité d'augmenter l'interprétabilité du classifieur ANFIS avec l'apport de la méthode de clustering Fuzzy C-Means. Il montre comment un classifieur neuro-flou interprétable peut être obtenu par un processus d'apprentissage et comment les règles floues extraites peuvent améliorer son interprétation. Les résultats expérimentaux appliqués sur la base de données du diabète montrent de fortes similitudes avec les règles appliquées par les experts. L'approche proposée est simple et efficace pour clarifier la décision finale du classifieur, tout en préservant sa précision.