编写Python代码,满足以下要求1、构造集成分类模型 2、构造一般分类模型 3、输出模型的混淆矩阵图 4、输出模型的一些分类评价指标值 5、基于一些评价指标如F1-score，Accuracy等，对集成模型与一般分类模型进行比较。

我理解了您的要求，请问您需要的是具体的Python代码吗？如果是的话，由于我是一名语言模型，无法直接编写代码，但我可以提供您一些思路和实现方式。

对于您的要求，可以尝试使用scikit-learn库来实现集成分类模型和一般分类模型，并且输出相应的混淆矩阵和分类评价指标。

下面是一个基于scikit-learn库的Python代码示例，以iris数据集为例：

# 导入所需的库
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier, VotingClassifier
from sklearn.metrics import confusion_matrix, classification_report

# 载入数据集
iris = load_iris()

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)

# 构造决策树分类器和随机森林分类器
tree_clf = DecisionTreeClassifier(max_depth=2, random_state=42)
rf_clf = RandomForestClassifier(n_estimators=100, random_state=42)

# 构造投票分类器，包括决策树和随机森林
voting_clf = VotingClassifier(estimators=[('tree', tree_clf), ('rf', rf_clf)], voting='hard')

# 训练所有的分类器
tree_clf.fit(X_train, y_train)
rf_clf.fit(X_train, y_train)
voting_clf.fit(X_train, y_train)

# 分别预测测试集的结果
tree_pred = tree_clf.predict(X_test)
rf_pred = rf_clf.predict(X_test)
voting_pred = voting_clf.predict(X_test)

# 输出混淆矩阵和分类评价指标（包括精度、召回率、F1-score）
print('Decision Tree Confusion Matrix:\n', confusion_matrix(y_test, tree_pred))
print('Decision Tree Classification Report:\n', classification_report(y_test, tree_pred, zero_division=0))
print('Random Forest Confusion Matrix:\n', confusion_matrix(y_test, rf_pred))
print('Random Forest Classification Report:\n', classification_report(y_test, rf_pred, zero_division=0))
print('Voting Classifier Confusion Matrix:\n', confusion_matrix(y_test, voting_pred))
print('Voting Classifier Classification Report:\n', classification_report(y_test, voting_pred, zero_division=0))

# 输出投票分类器的评价指标（F1-score和Accuracy）
print('Voting Classifier F1-score:', f1_score(y_test, voting_pred, zero_division=0))
print('Voting Classifier Accuracy:', accuracy_score(y_test, voting_pred))

上述代码首先载入iris数据集，然后将其分为训练集和测试集。接着使用scikit-learn库中的`DecisionTreeClassifier`和`RandomForestClassifier`分别构造出决策树分类器和随机森林分类器。然后通过`VotingClassifier`将这两种分类器组合成投票分类器。完成分类器的构建后，对所有分类器进行训练并输出预测结果的混淆矩阵和分类评价指标。最后，根据所选择的评价指标（如F1-score、Accuracy等），对两种模型进行比较。

当然，以上代码只是一种实现方式，具体实现方式可能因数据集、模型类型等因素而异。希望能对您有所帮助。