Este trabajo se centra en la creación de modelos de clasificación granulares difusos basados en sistemas lógicos difusos de tipo-2 general cuando los consecuentes están representados por funciones lineales TSK de tipo-2 de intervalo. Debido a la complejidad de los sistemas lógicos difusos de tipo-2 general TSK, se propone un enfoque de aprendizaje híbrido, donde se utiliza heurísticamente el principio de granularidad justificable para definir una cantidad de incertidumbre en el sistema, que a su vez se utiliza para definir los parámetros en las funciones lineales TSK de tipo-2 de intervalo a través de un algoritmo LSE dual. Se probaron múltiples conjuntos de datos de referencia de clasificación para evaluar la calidad de los modelos granulares formados; su rendimiento también se compara con otros algoritmos comunes de clasificación. Los resultados mostrados concluyen que el rendimiento de la clasificación en general es mejor que los resultados obtenidos por otras técnicas, y en general, todos los resultados logrados, cuando se promedian, tienen una tasa de rendimiento mejor que las técnicas comparadas, demostrando la estabilidad de la técnica de aprendizaje híbrido propuesta.