Este artículo presenta un nuevo método para la selección adaptativa de representaciones de reglas en sistemas de clasificación de aprendizaje (SCS). Los SCS existentes presentan dificultades para seleccionar representaciones de reglas adecuadas para el problema y, en ocasiones, requieren representaciones diferentes para distintos subespacios del espacio de entrada. En este artículo, proponemos una representación de reglas flexible mediante una distribución beta de cuatro parámetros y la integramos en un SCS de estilo difuso. La flexibilidad de la distribución beta permite al SCS seleccionar automáticamente representaciones adecuadas para diferentes subespacios. Además, mejoramos la interpretabilidad del modelo, manteniendo la precisión, al incorporar un sesgo de generalización que favorece las reglas explícitas siempre que sea posible. Los resultados experimentales muestran que el SCS propuesto produce una mayor precisión en las pruebas y conjuntos de reglas más concisos que los métodos existentes.
