El desarrollo de modelos para la predicción de resultados de procesos utilizando registros de eventos ha evolucionado en la literatura con un claro enfoque en la mejora del rendimiento. En este documento, adoptamos una perspectiva diferente, centrándonos en la obtención de modelos predictivos interpretables para la predicción de resultados. Proponemos utilizar la clasificación basada en reglas de asociación, lo que resulta en modelos de clasificación inherentemente interpretables. Aunque la minería de reglas de asociación se ha utilizado con registros de eventos para la aproximación de modelos de procesos y la detección de anomalías en el pasado, su aplicación a un modelo predictivo basado en resultados es novedosa. Además, proponemos dos formas de visualizar las reglas obtenidas para aumentar la interpretabilidad del modelo. En primer lugar, las reglas que componen un modelo pueden visualizarse globalmente. En segundo lugar, dado un caso en ejecución sobre el cual se realiza una predicción, las reglas que influyen en la predicción para ese caso particular pueden visualizarse localmente. Los resultados experimentales en registros de eventos del mundo real muestran que en la mayoría de los casos, el rendimiento del clasificador basado en reglas (RIPPER) es cercano al de los enfoques tradicionales de aprendizaje automático. También mostramos la aplicación de los métodos de visualización global y local a registros de eventos del mundo real.