一个excel数据集在第一次实验特征选择的基础上，进行分类器建模（要求至少使用两种集成学习模型）、评估等过程，分步骤粘贴代码及相应描述。（自行划分训练集与测试集，注意标签样本均衡）

在Excel数据集上进行分类任务，我们需要先将数据加载到Python环境（比如pandas库），然后进行特征选择、划分训练集和测试集，以及使用集成学习模型进行建模和评估。这里是一个简化示例，我们将使用sklearn库，以随机森林和梯度提升机（GBDT）作为集成学习模型，并确保标签样本平衡：

# 导入所需的库
import pandas as pd
from sklearn.model_selection import train_test_split, StratifiedKFold
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.metrics import accuracy_score, confusion_matrix
from imblearn.over_sampling import SMOTE

# 加载Excel数据
data = pd.read_excel('your_dataset.xlsx')

# 查看数据前几行
print(data.head())

# 假设label列是目标变量，其他列为特征
X = data.drop('target', axis=1)
y = data['target']

# 处理不平衡标签（假设是SMOTE）
smote = SMOTE()
X_resampled, y_resampled = smote.fit_resample(X, y)

# 划分训练集和测试集（70%训练，30%测试）
X_train, X_test, y_train, y_test = train_test_split(X_resampled, y_resampled, test_size=0.3, random_state=42, stratify=y_resampled)

# 标准化特征
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 创建并训练集成学习模型
models = [RandomForestClassifier(random_state=42), GradientBoostingClassifier(random_state=42)]
for model in models:
    model.fit(X_train, y_train)

# 预测
predictions = [model.predict(X_test) for model in models]

# 评估
accuracy_results = [accuracy_score(y_test, pred) for pred in predictions]
confusion_matrices = [confusion_matrix(y_test, pred) for pred in predictions]

# 输出结果
print(f"Accuracy scores (Random Forest, GBDT): {accuracy_results}")
print("Confusion matrices:")
for i, matrix in enumerate(confusion_matrices):
    print(f"\nModel {i + 1}:")
    print(matrix)

# 可能的进一步分析：交叉验证，调整参数，AUC-ROC曲线等

在这个过程中，我们首先保证了标签样本的均衡，然后分别用随机森林和GBDT进行了建模，最后计算了各自模型的准确率和混淆矩阵来进行性能评估。如果数据量大或需要更高级的分析，可以考虑使用交叉验证进行模型选择和超参数优化。