请按照以下步骤操作并提供详细信息： 1. 使用鸢尾花数据集中的任意两个特征，构建一个决策树模型。 2. 提供所选组合特征的具体名称，以及使用这些特征训练得到的模型在训练集和测试集上的精确度数值。 3. 绘制并展示不同特征组合下决策树分类结果的可视化图表。

首先，我们需要选择鸢尾花数据集中的两个特征来进行分析。例如，我们可以选择"萼片长度（sepal length）"和"花瓣宽度（petal width）"这两个特征，因为它们通常在鸢尾花分类中有显著的影响。

1. **构建决策树模型**：
使用Python的scikit-learn库，我们可以加载鸢尾花数据集（Iris dataset），然后从中提取我们选择的这两个特征。接下来，我们会将数据分为训练集和测试集，比如80%的数据用于训练，剩下的20%用于测试。创建决策树模型，如下所示：

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]]  # 裴片宽度和萼片长度
y = iris.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树分类器
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

2. **精度计算**：
训练完模型后，我们会在训练集和测试集上评估其性能，计算准确率：

# 计算精度
train_accuracy = clf.score(X_train, y_train)
test_accuracy = clf.score(X_test, y_test)
print(f"Training set accuracy: {train_accuracy * 100:.2f}%")
print(f"Testing set accuracy: {test_accuracy * 100:.2f}%")

3. **决策树可视化**：
可视化决策树可以使用`export_graphviz`函数结合Graphviz工具，但这里简要描述一下过程：

from sklearn.tree import export_graphviz
import graphviz

dot_data = export_graphviz(clf, out_file=None, feature_names=['petal_width', 'sepal_length'], class_names=iris.target_names)
graph = graphviz.Source(dot_data)
graph.render("iris_tree", format="png")

这将生成一个名为“iris_tree.png”的图片文件，展示了决策树基于选定特征的划分情况。