Con la expansión de la escala y diversidad de los datos, el problema del desequilibrio de clases se ha vuelto cada vez más relevante. Los métodos actuales, incluyendo el sobremuestreo y el submuestreo, presentan limitaciones en el manejo de datos complejos, lo que conduce al sobreajuste, pérdida de información crítica e insuficiente interpretabilidad. En respuesta a estos desafíos, proponemos un clasificador difuso con un conjunto simplificado de reglas difusas (B-TSK-FC) que aborda tareas de clasificación con datos desequilibrados. En primer lugar, seleccionamos y optimizamos reglas difusas en función de su adaptabilidad a diferentes datos complejos para simplificar las reglas difusas y, por lo tanto, mejorar la interpretabilidad de los subclasificadores difusos TSK. En segundo lugar, las reglas difusas se ponderan para proteger la información demostrada por las clases minoritarias, mejorando así el rendimiento de clasificación en conjuntos de datos desequilibrados. Finalmente, se diseña una nueva función de pérdida para derivar los pesos para cada subclasificador difuso TSK. Los resultados experimentales en quince conjuntos de datos de referencia demuestran que B-TSK-FC es superior a los métodos comparativos en cuanto a rendimiento de clasificación e interpretabilidad en el escenario de desequilibrio de clases.