El asociador lineal es un modelo clásico de memoria asociativa. Sin embargo, debido a su bajo rendimiento, es pertinente señalar que se han publicado muy pocas aplicaciones de asociador lineal. La razón de esto es que este modelo requiere que los vectores que representan los patrones sean ortonormales, lo cual es una gran restricción. Algunos investigadores han intentado crear proyecciones ortogonales a los vectores para alimentar al asociador lineal. Sin embargo, esta solución tiene serios inconvenientes. Este artículo presenta una propuesta que mejora efectivamente el rendimiento del asociador lineal al actuar como clasificador de patrones. Para ello, la propuesta implica transformar el conjunto de datos utilizando una poderosa herramienta matemática: la descomposición en valores singulares. Para realizar los experimentos, seleccionamos catorce conjuntos de datos médicos de dos clases. Todos los conjuntos de datos muestran equilibrio, por lo que es posible utilizar la precisión como medida de rendimiento. La efectividad de nuestra propuesta se comparó con nueve clasificadores supervisados de los enfoques más importantes (Bayes, vecinos más cercanos, árboles de decisión, máquinas de vectores de soporte y redes neuronales), incluidos tres conjuntos de clasificadores. Las pruebas de Friedman y Holm muestran que nuestra propuesta tuvo un rendimiento significativamente mejor que cuatro de los nueve clasificadores. Además, no hay diferencias significativas contra los otros cinco, aunque tres de ellos son conjuntos.