Una forma natural de determinar el conocimiento incrustado dentro de los modelos conexionistas es generar reglas simbólicas. Sin embargo, extraer reglas de Perceptrones de Múltiples Capas (MLPs) es NP-duro. Con el advenimiento de las redes sociales, las técnicas aplicadas al Análisis de Sentimientos muestran un creciente interés, pero la extracción de reglas de modelos conexionistas en este contexto rara vez se ha realizado debido a la alta dimensionalidad del espacio de entrada. Para llenar el vacío, presentamos un estudio de caso sobre la extracción de reglas de conjuntos de Redes Neuronales y Máquinas de Vectores de Soporte (SVMs), siendo el propósito la caracterización de la complejidad de las reglas en dos problemas particulares de Análisis de Sentimientos. Nuestro método de extracción de reglas se basa en una arquitectura especial de Perceptrón de Múltiples Capas en la que los hiperplanos paralelos al eje están ubicados con precisión. Dos conjuntos de datos que representan reseñas de películas se transforman en vectores de Bolsa de Palabras y se aprenden mediante conjuntos de redes neuronales y SVMs. Las reglas generadas a partir de conjuntos de MLPs son menos precisas y menos complejas que las extraídas de las SVMs. Además, aparece un claro equilibrio entre la precisión, la complejidad y la cobertura de las reglas. Por ejemplo, si las reglas son demasiado complejas, reglas menos complejas pueden ser re-extraídas sacrificando en cierta medida su precisión. Finalmente, las reglas pueden ser vistas como detectores de características en las que muy a menudo solo una palabra debe estar presente y una lista más larga de palabras debe estar ausente.