Los multiclasificadores son métodos de minería de datos que actualmente están teniendo un amplio auge en el ámbito científico. Representan un nuevo enfoque en la construcción de modelos de predicción que mejoran sensiblemente la precisión de las predicciones, incluso en datos con ruido, además de resolver los problemas de sobreadaptación de los clasificadores y obtener buenos resultados con pocos datos de entrenamiento. Estas ventajas se derivan de una clasificación basada en la combinación de las predicciones de un conjunto de hipótesis consistentes con los datos. Asimismo, los multiclasificadores posibilitan la descomposición de un problema complejo en múltiples subproblemas que sean más fáciles de entender y resolver.
Los multiclasificadores se pueden catalogar atendiendo a diversas características. Entre ellas: el número de clasificadores individuales acoplados, las técnicas de aprendizaje utilizadas, las características de los subconjuntos usados por cada clasificador acoplado, las estrategias de combinación y el tamaño y la naturaleza de los conjuntos de entrenamiento usados para inducir los clasificadores. De entre todos ellos, los menos estudiados, y a su vez los que mejores resultados proporcionan, son los métodos híbridos, los cuales combinan clasificadores individuales construidos con diferentes técnicas de aprendizaje generalmente mediante un proceso de meta-aprendizaje que aprende la mejor forma de combinar los clasificadores individuales.
Actualmente, el uso de métodos no supervisados, o de descubrimiento del conocimiento, como base para la inducción de clasificadores ha sido poco tratado en la literatura, y aún es menor el número de trabajos en los que dichas técnicas se utilizan en el desarrollo de multiclasificadores. Sin embargo, en algunas investigaciones realizadas se ha demostrado que algoritmos no supervisados como los de descubrimiento de reglas de asociación,  pueden ser utilizados eficazmente en la resolución de problemas de clasificación. El presente proyecto se en cuadra en esta línea de investigación relativamente reciente. Su objetivo es la propuesta, estudio y validación de nuevos métodos híbridos de multiclasificación que fusionen algoritmos no supervisados y técnicas supervisadas.