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；

1. 首先，让我们从Python的scikit-learn库中导入鸢尾花数据集(Iris dataset)，它包含四个特征（sepal length, sepal width, petal length, petal width），我们将选取其中的两个作为我们的输入特征。假设我们选择了"sepal length"和"petal length"这两个特征。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
import matplotlib.pyplot as plt

# 加载数据
iris = load_iris()
X = iris.data[:, [0, 2]]  # 选择sepal length和petal length作为特征
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

2. 接下来，我们构建决策树模型并训练它，同时计算训练集和测试集的精度：

model = DecisionTreeClassifier()
model.fit(X_train, y_train)

# 计算并输出训练精度和测试精度
train_accuracy = model.score(X_train, y_train)
test_accuracy = model.score(X_test, y_test)
print(f"组合特征: {['Sepal Length', 'Petal Length']}")
print(f"训练精度: {train_accuracy:.2f}")
print(f"测试精度: {test_accuracy:.2f}")

3. 最后，我们可以使用matplotlib库绘制混淆矩阵（confusion matrix）来可视化分类结果，展示每个类别预测的准确性和错误情况：

from sklearn.metrics import plot_confusion_matrix
import seaborn as sns

# 绘制混淆矩阵
disp = plot_confusion_matrix(model, X_test, y_test, cmap=plt.cm.Blues, xticks_rotation='vertical')
disp.ax_.set_title("Decision Tree Confusion Matrix")
plt.show()