La Lernmatrix es un modelo clásico de memoria asociativa. La Lernmatrix es capaz de realizar la tarea de clasificación de patrones, pero su rendimiento no es competitivo en comparación con los clasificadores de última generación. La principal contribución de este artículo consiste en la propuesta de una transformación matemática simple, cuya aplicación elimina las alteraciones sustractivas entre patrones. Como consecuencia, el rendimiento de la Lernmatrix se mejora significativamente. Para realizar los experimentos, seleccionamos 20 conjuntos de datos que son desafiantes para cualquier clasificador, ya que presentan desequilibrio de clases. La efectividad de nuestra propuesta se comparó con siete clasificadores supervisados de los enfoques más importantes (Bayes, vecinos más cercanos, árboles de decisión, función logística, máquinas de vectores de soporte y redes neuronales). Al elegir la precisión equilibrada como medida de rendimiento, nuestra propuesta obtuvo los mejores resultados en 10 conjuntos de datos. La eliminación de alteraciones sustractivas hace que el nuevo modelo sea competitivo frente a los mejores clasificadores, y a veces los supera. Después de aplicar la prueba de Friedman y la prueba post hoc de Holm, podemos concluir que con un 95% de confianza, nuestra propuesta compite con éxito con los clasificadores más efectivos del estado del arte.