使用Python语言编程，使用 iris 数据集训练一个 BaggingClassifier 分类器。实例化KNeighborsscifier基估计器的bagging集成，每个估计器都建立在50%样本和50%特征的随机子集上。

在Python中，我们可以使用scikit-learn库中的iris数据集来训练一个基于KNeighborsClassifier的BaggingClassifier集成。以下是详细的步骤：

首先，我们需要导入必要的库：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
from sklearn.ensemble import BaggingClassifier
from sklearn.model_selection import train_test_split

接着，加载iris数据集：

iris = load_iris()
X = iris.data
y = iris.target

我们将数据分为训练集和测试集，并设置随机状态以保证结果的一致性：

np.random.seed(42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

接下来，我们创建一个KNeighborsClassifier作为基估计器，并设置每个子集的样本比例为50%，特征也随机选取50%：

knn = KNeighborsClassifier(n_neighbors=3)  # 选择一个合适的邻居数
subsample_ratio = 0.5
sub_features = 'auto'  # 或者手动设置特征子集大小

base_knn = BaggingClassifier(knn, base_estimator=knn,
                             max_samples=subsample_ratio,  # 每次采样的样本比例
                             max_features=sub_features,  # 每次采样的特征比例
                             n_estimators=100,  # 总共的基分类器数量
                             bootstrap=True,  # 是否采用自助采样
                             random_state=42)

现在我们可以开始训练这个BaggingClassifier了：

base_knn.fit(X_train, y_train)

最后，评估模型性能：

accuracy = base_knn.score(X_test, y_test)
print(f"Accuracy on test set: {accuracy}")