La classification associative est une méthode de prédiction à base de règles issue de la fouille de règles d'association. Cette méthode est particulièrement intéressante car elle recherche de façon exhaustive les règles d'association pertinentes qu'elle filtre pour ne garder que les règles d'association de classe (celles admettant pour conséquent une modalité de classe), qui sont utilisées comme classifieur. Les connaissances produites sont ainsi directement interprétables. Des études antérieures montrent les inconvénients de cette approche, qu'il s'agisse de la génération massive de règles non utilisées ou de la mauvaise prédiction de la classe minoritaire lorsque les classes sont déséquilibrées. Nous proposons une approche originale du type boosting de règles d'association de classes qui utilise comme classifieur faible une base de règles significatives construites par un algorithme de génération d'itemsets fréquents qui se limite à l'extraction des seules règles de classe significatives et qui prend en compte le déséquilibre des données. Des comparaisons avec d'autres méthodes de classification associative montrent que notre approche améliore la précision et le rappel.