El desequilibrio de clases sigue siendo un problema abierto en el reconocimiento de patrones, el aprendizaje automático y campos relacionados. Muchos de los algoritmos de clasificación de vanguardia tienden a clasificar todos los patrones de conjuntos de datos desequilibrados asignándolos a una clase mayoritaria, fallando así en clasificar correctamente una clase minoritaria. Las memorias asociativas son modelos utilizados para el recuerdo de patrones; sin embargo, también pueden emplearse para la clasificación de patrones. En este artículo, se presenta un método novedoso para mejorar el rendimiento de clasificación de un clasificador asociativo híbrido con traducción (mejor conocido por su acrónimo en español, CHAT). El método de puntos extremos centrales (ECP) modifica el algoritmo CHAT explorando vectores alternativos en un hiperespacio para traducir los datos de entrenamiento, que es un paso inherente del algoritmo original. Demostramos la importancia de nuestra propuesta aplicándola a conjuntos de datos desequilibrados y comparando el rendimiento con clasificadores conocidos mediante la precisión equilibrada. El método propuesto no solo mejora el rendimiento del algoritmo CHAT original, sino que también supera a los clasificadores de vanguardia en cuatro de los doce conjuntos de datos analizados, convirtiéndolo en un algoritmo adecuado para la clasificación en escenarios de clases desequilibradas.