1.1选择鸢尾花数据集任意两个特征，建立决策树模型； 1.2输出组合特征的名称，训练精度，测试精度； 1.3将最终不同组合下的分类结果输出可视化图； 给出相应的代码

在Python中，我们可以使用sklearn库中的`DecisionTreeClassifier`来建立决策树模型，并使用Iris数据集中的两个特征来进行分析。首先，确保已经安装了所需的库，如`pandas`, `numpy`, `matplotlib`, 和 `scikit-learn`。以下是步骤：

1. 导入必要的库并加载数据集：

import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data[:, :2]  # 我们选择前两个特征，例如sepallength和petallength
y = iris.target

2. 划分数据集，训练模型并计算精度：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用指定的特征组合
feature_combinations = [("sepal length", "petal length")]

for feature_name in feature_combinations:
    feature_idx = [X.columns.tolist().index(feature) for feature in feature_name]
    X_train_comb = X_train[:, feature_idx]
    X_test_comb = X_test[:, feature_idx]

    # 训练决策树模型
    model = DecisionTreeClassifier()
    model.fit(X_train_comb, y_train)
    
    # 预测并评估模型
    y_pred = model.predict(X_test_comb)
    train_accuracy = accuracy_score(y_train, model.predict(X_train_comb))
    test_accuracy = accuracy_score(y_test, y_pred)

    print(f"特征组合：{', '.join(feature_name)}")
    print(f"训练精度：{train_accuracy}")
    print(f"测试精度：{test_accuracy}\n")

3. 可视化分类结果：

# 为了简化，这里我们假设你有plot_tree函数可以绘制决策树，实际可用sklearn的export_graphviz函数
# 但这里无法直接展示图片，你可以保存图像文件到本地：
def plot_tree(model, features):
    tree_dot = export_graphviz(model, out_file=None, filled=True, rounded=True,
                              special_characters=True, class_names=iris.target_names,
                              feature_names=features)
    plt.figure(figsize=(10, 6))
    plt.imshow(plt.imread(tree_dot), aspect="auto")
    plt.axis("off")
    plt.show()

# 绘制每个特征组合的决策树
for feature_name in feature_combinations:
    plot_tree(model, feature_name)

请注意，由于绘图部分需要用户手动运行且代码示例中未包含完整图形生成过程，上述代码仅展示了构建模型和计算精度的部分。在实际环境中，你需要将`plot_tree`函数替换为合适的可视化工具，并根据实际情况调整特征名称。