La red neuronal artificial (ANN) inherentemente no puede explicar de forma comprensible cómo se genera una decisión o un resultado dado, lo que limita su uso extensivo. Las reglas difusas son una representación intuitiva y razonable que se puede utilizar para explicaciones, verificación de modelos e integración de sistemas. Sin embargo, diferentes métodos pueden extraer reglas diferentes de la misma ANN. ¿Cuál puede ofrecer una calidad adecuada para que la ANN pueda describirse con precisión mediante las reglas difusas extraídas? En este documento, realizamos un estudio empírico sobre tres métodos diferentes de extracción de reglas. El primer método extrae reglas difusas de una red neuronal difusa, mientras que los dos siguientes están diseñados originalmente para extraer reglas precisas, que pueden transformarse directamente en reglas difusas, de una ANN bien entrenada. En detalle, en el segundo método, el comportamiento de una neurona se aproxima mediante funciones booleanas (continuas) con respecto a sus neuronas de entrada directa, mientras que en el tercer método, la relación entre una neurona y sus neuronas de entrada directa se describe mediante un árbol de decisiones. Evaluamos los tres métodos en conjuntos de datos discretos, continuos e híbridos comparando las reglas generadas a partir de los datos de muestra directamente. Los resultados muestran que el primer método no puede generar reglas difusas adecuadas en los tres tipos de conjuntos de datos, el segundo puede generar reglas precisas en datos discretos, mientras que el tercero puede generar reglas difusas para todos los conjuntos de datos pero no siempre puede garantizar la precisión, especialmente para conjuntos de datos con una separabilidad deficiente. Por lo tanto, nuestro trabajo ilustra que, dado un ANN, uno debe seleccionar cuidadosamente un método, a veces incluso necesita diseñar nuevos métodos para explicaciones.