Bu çalışmada, sinir ağlarının kullanımında Regülerize Edilmiş Bulanık Kümeleme Sinir Ağı’nın (RFCNN) gürültülü ve uyumsuz veriler karşısında dayanıklılığının arttırılması amaçlanmıştır. Geleneksel sinir ağları, gürültülü verilerle çalışırken performans düşüşleri yaşamaktadır. Bu sorunu ele almak için, destek vektör tabanlı (Support Vector, SV) tabanlı Hiyerarşik Bulanık C-Ortalamalar (Hierarchical Fuzzy C-Means, HFCM) ve Bulanık C-Ortalamalar (Fuzzy C-Me-ans, FCM) kümeleme tekniklerini L2-norm düzenleme ile birleştirerek daha da-yanıklı bir model geliştirilmesi hedeflenmiştir. Çalışmada, SV tabanlı kümeleme tekniklerinin aykırı değerlerin etkilerini azaltarak modelin performansını iyileştiği gösterilmiştir. L2-norm düzenlemesi, modelin aşırı uyumunu önlemek ve varyans-önyargı dengesini sağlamak için kullanılmıştır. RFCNN modelinin performansı, Wine ve Breast Cancer Wisconsin veri kümeleri üzerinde Destek Vektör Regresyonu (Support Vector Regression, SVR), Rastgele Orman (Random Forest, RF), Lineer Regresyon (Linear Regres-sion, LR) ve Karar Ağaçları (Decision Tree, DT) gibi diğer yöntemlerle karşılaştırılmıştır. Elde edilen sonuçlara göre, RFCNN modelinin gürültülü veri kümelerinde daha dayanıklı olduğunu ve geniş bir veri yelpazesinde etkili bir şekilde kullanılabileceği gösterilmiştir.