Este documento presenta un nuevo clasificador multiclase llamado Clasificador Difuso Evolutivo (eFC). Comenzando su base de conocimiento desde cero, la estructura eFC evoluciona basada en un algoritmo de agrupamiento que puede agregar, fusionar, eliminar o actualizar grupos (= reglas) simultáneamente mientras proporciona predicciones de clase. El procedimiento para agregar grupos utiliza la idea de postergación para evitar que los valores atípicos afecten la calidad del aprendizaje. Se utilizan dos mecanismos de poda para mantener una estructura concisa y compacta. En el primero, los grupos redundantes se fusionan basados en una medida de similitud, y en el segundo, se excluyen grupos obsoletos y no representativos basados en una estrategia de inactividad. El centro de los grupos se ajusta basado en el valor medio de los atributos. El modelo eFC fue evaluado y comparado con sistemas difusos evolutivos de última generación en 8 flujos de datos seleccionados al azar de los repositorios de UCI y Kaggle. Los resultados experimentales indican que el eFC supera o al menos es comparable a modelos alternativos de última generación. Específicamente, el eFC logró una precisión promedio de 7% a 37% mayor que los clasificadores competidores. Los resultados y comparaciones demuestran que el eFC es una alternativa prometedora para tareas de clasificación en entornos no estacionarios, ofreciendo buena precisión, una estructura compacta, bajo costo computacional y un tiempo de procesamiento eficiente.