A grande quantidade de dados hoje disponíveis aliado a necessidade de extrair conhecimentos faz dos algoritmos de aprendizagem de máquina uma ferramenta frequentemente utilizada. Dentre as diversas tarefas que à aprendizagem de máquina é aplicada destacam-se a extração de padrões dos grupos e classificação/regressão de novos elementos. Contudo os grupos gerados podem conter bastante elementos dificultando a interpretação dos mesmos. O problema da interpretação também ocorre em aplicações que utilizam técnicas de classificação, onde se busca algoritmos cada vez mais precisos mas o conhecimento adquirido pode não ser compreensível pelos seres humanos. Para auxiliar na interpretação dos grupos tem-se os modelos de rotulação que gera rótulos formados por atributos e intervalos dos dados. Baseados nos modelos de rotulação e nas técnicas de classificação, esse trabalho propõe um modelo de classificação capaz de gerar regras e funções de pertinências a partir dos rótulos. Ao final o modelo foi submetido a testes comparando a precisão com outros algoritmos e a eficiência das regras formadas.