การสร้างกฎเกณฑ์ แบบเหนี่ยวนำ (Rule induction)เป็นสาขาหนึ่งของแมชชีนเลิร์นนิงซึ่งเป็นการสกัดกฎเกณฑ์ที่เป็นทางการจากชุดข้อมูลสังเกตการณ์ กฎเกณฑ์ที่สกัดได้อาจแสดงถึงแบบจำลองทางวิทยาศาสตร์ ที่สมบูรณ์ ของข้อมูล หรืออาจเป็นเพียงรูปแบบ เฉพาะที่ปรากฏ ในข้อมูล เท่านั้น

การขุดข้อมูลโดยทั่วไปและการเหนี่ยวนำกฎโดยละเอียดนั้นพยายามสร้างอัลกอริทึมโดยไม่ต้องมีการเขียนโปรแกรมจากมนุษย์ แต่ด้วยการวิเคราะห์โครงสร้างข้อมูลที่มีอยู่^{[ 1 ] : 415-} ในกรณีที่ง่ายที่สุด กฎจะถูกแสดงด้วย "คำสั่ง if-then" และถูกสร้างขึ้นด้วยอัลกอริทึม ID3สำหรับการเรียนรู้ต้นไม้ตัดสินใจ^{[ 2 ] : 7 [ 1 ] : 348} อัลกอริทึมการเรียนรู้กฎจะใช้ข้อมูลการฝึกอบรมเป็นอินพุตและสร้างกฎโดยการแบ่งตารางด้วยการวิเคราะห์คลัสเตอร์^{[ 2 ] : 7} ทางเลือกที่เป็นไปได้อีกอย่างหนึ่งสำหรับอัลกอริทึม ID3 คือการเขียนโปรแกรมเชิงพันธุกรรมซึ่งพัฒนาโปรแกรมจนกว่าจะเหมาะสมกับข้อมูล^{[ 3 ] : 2}

การสร้างอัลกอริธึมที่แตกต่างกันและการทดสอบด้วยข้อมูลอินพุตสามารถทำได้ในซอฟต์แวร์ WEKA ^{[ 3 ] : 125} เครื่องมือเพิ่มเติมคือไลบรารีการเรียนรู้ของเครื่องสำหรับPythonเช่นscikit- learn

รูปแบบหลักๆ ของการเหนี่ยวนำกฎมีดังนี้:

• อัลกอริทึม การเรียนรู้กฎความสัมพันธ์ (เช่น Agrawal)
• อัลกอริทึม กฎการตัดสินใจ (เช่น ควินแลน 1987)
• อัลกอริทึม สำหรับการทดสอบสมมติฐาน (เช่น RULEX)
• การเหนี่ยวนำของข้อความฮอร์น
• พื้นที่เวอร์ชัน
• กฎเกณฑ์คร่าวๆ
• การเขียนโปรแกรมเชิงตรรกะแบบอุปนัย
• การแยกส่วนแบบบูลีน (เฟลด์แมน)

อัลกอริทึมการเหนี่ยวนำกฎบางประเภท ได้แก่:

• ชาเรด^{[ 4 ]}
• รูเล็กซ์
• โปรโกล
• ซีเอ็น2