调用matlab内建的鸢尾花数据集，并使用fitcsvm函数对鸢尾花数据集进行分类。为了计算后便于展示，要求采用四个特征值中的两个特征（建议采用花瓣长度和花瓣宽度）做二维特征空间分类，并图形化显示分类结果。写出其代码。

在MATLAB中，你可以使用内置的Iris数据集来进行机器学习的示例。Iris数据集包含了三种类型的鸢尾花（Setosa、Versicolour和Virginica）的数据，每个样本有四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。下面是一个步骤，演示如何加载数据、选择特征并使用`fitcsvm`函数进行支持向量机分类，最后通过`scatter`绘制二维特征空间的分类结果：

% 加载鸢尾花数据集
load fisheriris

% 提取所需特征
X = meas(:, [3 4]); % 取第3列花瓣长度和第4列花瓣宽度作为特征
Y = species; % 目标变量

% 创建支持向量机分类器
svmModel = fitcsvm(X, Y);

% 划分训练集和测试集（这里省略，实际项目中常用交叉验证）
% trainData = ...;
% testData = ...;

% 训练模型
svmModel = fitcsvm(trainData.X, trainData.Y); % 使用训练数据训练

% 预测类别
predictedLabels = predict(svmModel, X);

% 绘制二维特征空间分类结果
figure;
scatter(X(:,1), X(:,2), [], predictedLabels, 'filled');
xlabel('Petal Length');
ylabel('Petal Width');
title('SVM Classification of Iris Data (Sepal Features)');
legend(categories(Y),'Location','NorthWest');

% 显示混淆矩阵
confMat = confusionmat(Y, predictedLabels);
disp('Confusion Matrix:');
disp(confMat);

在这个例子中，我们仅展示了使用花瓣长度和宽度进行二维分类的基本流程。运行上述代码会创建一个散点图，颜色表示预测的鸢尾花种类。