那会被称为堆叠建模吗？

是的，这正是堆叠模型的含义。

我不明白集群在您的设计中的作用是什么？

标准方法在于仅使用 $N$个体学习者作为元模型的特征。训练/测试数据拆分有点复杂：元模型的训练需要来自各个模型的预测，因此数据可以这样拆分：

• 单个模型的训练数据
• 元模型的训练数据（应用单个模型）
• 整个系统的测试数据

一般来说，为元模型选择一个简单的学习算法会更安全，因为过度拟合的风险更高（例如线性回归或多数投票）。

[下面评论的详细回答]

标准设置是这样的：

1. 火车 $N$ 个别型号 $m_1,...,m_N$ 使用一级训练集 $T_1$
2. 应用这些模型以获得 $N$元分类器的特征。在这个阶段，使用来自的实例是个坏主意$T_1$，因为各个分类器已经过训练 $T_1$. 所以需要第二组实例$T_2$：对于每个实例 $x\in T_2$， 让 $m_1(x),...,m_N(x)$ 是应用分类器产生的预测 $m_1,...,m_N$.
3. 训练元分类器模型 $M$ 使用 $T_2$ 作为训练集，有 $m_1(x),...,m_N(x)$ 任何功能 $x\in T_2$.
4. 测试：像往常一样需要一组新的实例，比如说 $T_3$. 对于任何情况$x\in T_3$ 通过应用计算预测 $M$ 到 $N$ 通过各个模型获得的预测，即 $M(m_1(x),...,m_N(x))$

堆叠从数据集上的各种浅层或弱模型中进行预测。

像列一样堆叠 元特征（元特征=预测）。通常，线性元模型（如线性回归）适合该元特征数据集。可以把它想象成让多个模型，每个模型都有自己的预测，决定每个数据点的最佳价值是什么。意味着所有模型？也许意味着只有两个？元模型决定。

您将元特征与原始特征一起使用的方法类似于Boosting，它采用每个数据点的残差（真值和预测之间的差异）并将其用作通过迭代来纠正间隙迭代的特征。