1．结合给定鸢尾花数据集,按照要求完成如下任务. 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； 1.4代码关键部分需要加以注释。

要完成这个任务，你需要使用Python的数据分析库如pandas处理鸢尾花数据集（通常通过sklearn库获取），然后利用scikit-learn库中的DecisionTreeClassifier构建决策树模型。这里是一个简化的步骤：

# 导入所需的库
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 sepal length 和 petal width）
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)

# 创建并训练决策树模型
tree_model = DecisionTreeClassifier()  # 默认参数即可，如果不指定可能会过拟合
tree_model.fit(X_train, y_train)

# 预测并计算精度
y_pred_train = tree_model.predict(X_train)
train_accuracy = accuracy_score(y_train, y_pred_train)
y_pred_test = tree_model.predict(X_test)
test_accuracy = accuracy_score(y_test, y_pred_test)

print(f"训练集精度: {train_accuracy:.2f}")
print(f"测试集精度: {test_accuracy:.2f}")

# 可视化决策边界
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap='viridis')
plt.title("决策树模型分类结果")
plt.xlabel("sepal length")
plt.ylabel("petal width")
plt.show()

# 关键代码部分的注释：
# 1. 选择特征：`X = iris.data[:, :2]`选取了鸢尾花数据集的前两个特征。
# 2. 划分数据集：`train_test_split`用于划分训练集和测试集。
# 3. 训练模型：`fit`方法用于拟合决策树模型。
# 4. 精度评估：`accuracy_score`计算预测标签与实际标签的匹配度。
# 5. 可视化：`scatter`函数绘制特征空间中的点，并根据类别颜色编码。