La classification supervisée est une tâche de fouille de données qui consiste à construire un classifieur à partir d'un ensemble d'instances étiquetées (étape d'apprentissage) et à prédire ensuite la classe de nouvelles instances présentées au classifieur construit (étape de la classification). Dans ce domaine, plusieurs approches ont été proposées telles que : l'Induction de l'Arbre de Décision et l'Analyse de Concepts Formels. L'apprentissage de concepts formels est basé, en général, sur la structure mathématique de treillis de Galois (ou treillis de concepts). La complexité de la génération du treillis de Galois limite les champs d'application de ces systèmes. Dans cet article, nous traitons la classification supervisée. Nous présentons une taxonomie des méthodes basées sur l'Analyse des Concepts Formels. Nous proposons une nouvelle approche qui construit seulement une partie du treillis, incluant les meilleurs concepts (concepts pertinents). Ces concepts sont utilisés comme classifieurs dans une combinaison parallèle à l'aide du vote. La méthode proposée est basée sur le Dagging de classifieurs nominaux. Les résultats expérimentaux obtenus sur des échantillons de données différentes prouvent l'intérêt de la méthode proposée.