python中导入数据后用easyensamble分类，接着用bagging预测数据

以下是使用Python进行EasyEnsemble和Bagging分类的示例代码：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from imblearn.ensemble import EasyEnsembleClassifier, BaggingClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 使用EasyEnsemble分类器进行分类
eec = EasyEnsembleClassifier(n_estimators=10, base_estimator=DecisionTreeClassifier())
eec.fit(X_train, y_train)
y_pred_eec = eec.predict(X_test)
print("Accuracy using EasyEnsembleClassifier:", accuracy_score(y_test, y_pred_eec))

# 使用Bagging分类器进行分类
bc = BaggingClassifier(n_estimators=10, base_estimator=DecisionTreeClassifier())
bc.fit(X_train, y_train)
y_pred_bc = bc.predict(X_test)
print("Accuracy using BaggingClassifier:", accuracy_score(y_test, y_pred_bc))

在上面的代码中，我们首先加载了鸢尾花数据集，然后将数据集划分为训练集和测试集。接着，我们使用`EasyEnsembleClassifier`和`BaggingClassifier`进行分类，分别使用决策树作为基本分类器，并设置了10个分类器进行分类。最后，我们使用`accuracy_score`函数计算了分类器的准确度。

需要注意的是，我们使用了`imblearn`库中的`EasyEnsembleClassifier`和`BaggingClassifier`，而不是`sklearn`库中的分类器。这是因为`imblearn`库中的分类器能够处理不平衡的数据集，而`sklearn`库中的分类器则不能。