2.1选择鸢尾花数据集花萼宽度和花萼长度特征，建立决策树模型； 2.2 输出决策树深度递增下的错误率，并输出曲线图； 2.3输出分类结果输出可视化图； 2.4 输出决策树的树状图； 2.5代码关键部分需要加以注释。

在Python中，我们可以使用scikit-learn库中的`DecisionTreeClassifier`来构建决策树模型，以及相关的工具如`train_test_split`、`GridSearchCV`和matplotlib等来完成上述任务。以下是步骤示例：

**2.1 选择鸢尾花数据集并建模**

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data[:, :2]  # 取出萼片宽度和长度作为特征
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=0.3, random_state=42)

# 初始化决策树分类器
clf = DecisionTreeClassifier()

**2.2 错误率曲线输出**

from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt

# 设置最大深度范围
max_depths = range(1, 11)
errors = []

for depth in max_depths:
    clf.set_params(max_depth=depth)  # 设置当前深度
    clf.fit(X_train, y_train)  # 训练模型
    y_pred = clf.predict(X_test)  # 预测
    errors.append(1 - accuracy_score(y_test, y_pred))  # 计算错误率

plt.plot(max_depths, errors, marker='o')
plt.xlabel('决策树深度')
plt.ylabel('错误率')
plt.title('错误率随决策树深度变化')
plt.show()

**2.3 分类结果可视化**

from sklearn.tree import export_graphviz
import graphviz

dot_data = export_graphviz(clf, out_file=None, filled=True, rounded=True,
                         class_names=iris.target_names, feature_names=['萼片宽度', '萼片长度'],
                         special_characters=True)
graph = graphviz.Source(dot_data)
graph.view()

**2.4 决策树树状图**
同上。

**2.5 关键代码部分注释**
这部分代码的关键部分包括：
1. 数据预处理：加载数据集并选择特征。
2. 模型训练：使用`fit`函数对训练集进行拟合，设置决策树的最大深度。
3. 性能评估：通过`accuracy_score`计算错误率，并绘制错误率曲线。
4. 结果可视化：通过`export_graphviz`导出决策树的图形表示。