如果您尝试获得最佳准确性等...对于给定的问题，您应该始终在完全根据您的问题标记的训练集上学习。如果您使用更细化的类标签，则不应期望获得更好的结果。然后分类器将尝试找出类中的差异并尝试将它们分开。由于在实践中，训练集中的变量不能完美地解释更细粒度的分类问题，因此您不应该期望为更细粒度的分类问题得到更好的答案。

如果您对模型的准确性不满意，请尝试以下操作：

1. 查看解释变量。想想什么可能会影响分类问题。也许我们有一个聪明的方法来构建新的变量（从你现有的变量中），这会有所帮助。现在可以就此给出一般建议，因为您必须考虑分类器的属性
2. 如果您的班级分布非常偏斜，您可能会考虑过采样/欠采样
3. 您可能会运行更多不同的分类器，然后根据多数票进行分类。请注意，您很可能会牺牲模型的可解释性。

此外，您似乎有一些误解，当您编写“如果它不属于任何细粒度类时，您会将其分配给人类”。请注意，您总是尝试选择覆盖整个宇宙（所有可能的类）的类标签。这总是可以定义为其他类的补充。此外，您还必须为训练集中的每个班级提供实例。