Начну со второго вопроса. Что вы имеете ввиду под соединением моделей с разными типами данных?
Если вы имеете ввиду, что на вход вы подаете разные типы данных - то ответ таков: если вы сумеете оцифровать свои тесты и далее работать с ними и с числами как с цифрами - то можно. Кстати, вполне себе традиционные алгоритмы машинного обучения типа деревьев и производные от них изначально построены так, что они могут обрабатывать разные типы данных.
Если же вы имеете ввиду, что результат моделей вы получаете в виде тестов и чисел и хотите из них строить ансамбль - то это вообще говоря странная затея - но думаю, можно попробовать использовать классический стеккинг. (опять же из машинного обучения)
Теперь первый вопрос - книги и ресурсы. Самый лучший ресурс Гуугл где можно найти все. Но немного помогу:
Книги:
1. LUDMILA I. KUNCHEVA COMBINING PATTERN CLASSIFIERS
2. Oleg Okun and Giorgio Valentini. Supervised and Unsupervised Ensemble Methods and their Applications
3. Z.-H. Zhou Ensemble Methods Foundations and Algorithms
Интернет-источники. Их сотни, например:
1.
https://towardsdatascience.com/a-guide-to-ensemble...
2.
https://www.analyticsvidhya.com/blog/2021/08/ensem...
3.
https://towardsdatascience.com/practical-guide-to-...
4.
https://machinelearningmastery.com/ensemble-learni...
5.
https://towardsdatascience.com/ensemble-learning-s...
и т.д.
Удачи.
