Dans les données réelles, il est courant que les attributs qui décrivent les objets soient bruités. En classification supervisée, la présence de bruits peut avoir des effets désastreux sur la performance des classifieurs (notamment en terme de précision) comme sur la pertinence des décisions prises par les modèles prédictifs. On peut identifier deux types de bruits : d'une part, le bruit portant sur l'attribut classe qui a été beaucoup étudié ces dernières années ; d'autre part, le bruit affectant les autres attributs pour lequel quelques approches ont été récemment développées. Notre contribution apporte une solution concernant le problème des attributs non-classe bruités en classification supervisée. Pour cela, nous proposons de construire de nouveaux descripteurs robustes basés sur une représentation condensée approximative des itemsets fréquents. Les résultats expérimentaux montrent que des classifieurs (C4.5 et Naive Bayes) sont plus performants en terme de précision sur des données bruitées munies de ces nouveaux descripteurs que sur les données originales.