Los sistemas de clasificacion difusa generados a partir de datos experimentales presentan una alta precision pero a costa de sacrificar la integridad semantica del modelo difuso obtenido. En este articulo se presenta un metodo novedoso para generar sistemas de clasificacion difusa a partir de datos, que superan el conflicto entre precision e interpretabilidad, obteniendo modelos con particiones triangulares de solapamiento 0.5 en sus antecedentes y consecuentes tipo singleton. Para la ponderacion de los antecedentes se utiliza un operador de combinacion en vez de una T-norma, lo que contribuye a una reduccion sustancial en el numero de reglas