集成学习，多分类器系统

我正在尝试使用MCS（多分类器系统）对有限的数据进行更好的处理，即变得更准确。

我目前使用的是K-means聚类，但可能会选择FCM（模糊c-均值），将数据聚类为组（聚类），数据可以表示任何东西，例如颜色。我首先在预处理和标准化后对数据进行聚类，并得到一些介于两者之间的不同聚类。然后，我继续使用聚类作为贝叶斯分类器的数据，每个聚类代表不同的颜色，贝叶斯分类器被训练，然后来自聚类的数据被放入单独的贝叶斯分类器。每个贝叶斯分类器只在一种颜色中进行训练。如果我们将光谱3-10视为蓝色，将光谱13-20视为红色，将光谱0-3视为白色至1.5，然后通过1.5-3逐渐变为蓝色，蓝色变为红色也是如此。

我想知道的是，如何或什么样的聚合方法（如果你会使用的话）可以被应用，以便贝叶斯分类器变得更强，它是如何工作的？聚合方法是否已经知道答案，或者是人类交互纠正了输出，然后这些答案返回到贝叶斯训练数据中？还是两者结合？在Bootstrap聚合中，它涉及到让集合中的每个模型都具有相同的权重，所以在这个特定的例子中，我不太确定我会使用bagging作为聚合方法吗？然而，Boosting涉及通过训练每个新的模型实例来逐步构建集合，以强调以前模型错误分类的训练实例，不确定这是否是装袋的更好替代方案，因为我不确定它是如何在新实例上逐步构建的？最后一种是贝叶斯模型平均，这是一种集成技术，通过从假设空间中对假设进行采样，并使用贝叶斯定律将其组合，来近似贝叶斯最优分类器，但完全不确定如何从搜索空间中对假定进行采样？

我知道，通常你会使用一种竞争性的方法来在两种分类算法之间切换——一种说是的，一种说也许可以应用加权，如果它是正确的，你会得到两种分类器中最好的一种，但为了保密，我不想要一种竞争的方法。

另一个问题是，将这两种方法一起使用是否有益，我知道我提供的例子非常原始，可能不适用于该例子，但它在更复杂的数据中是否有益。