基于iris数据集，构造二分类决策树模型，尝试使用超参数调优的方式对决策树进行剪枝，并绘制ROC曲线，计算AUC值、预测精度、F1等模型评价指标。要求和第三章构建二分类逻辑回归模型时选择的数据不同。

基于Iris数据集，首先我们需要加载数据并预处理，通常包括特征缩放、编码分类变量（如果需要的话），以及将目标变量分为训练集和测试集。然后，我们可以使用Python的Scikit-learn库来创建一个决策树分类器，比如`DecisionTreeClassifier`。

为了进行超参数调优，我们可以使用GridSearchCV或RandomizedSearchCV，例如：

from sklearn.model_selection import GridSearchCV
from sklearn.tree import DecisionTreeClassifier

# 假设X_train和y_train是我们的训练数据
param_grid = {'max_depth': [3, 5, 7, None],
              'min_samples_split': [2, 5, 10],
              'min_samples_leaf': [1, 2, 4]}
clf = DecisionTreeClassifier(random_state=42)
grid_search = GridSearchCV(clf, param_grid, cv=5)
grid_search.fit(X_train, y_train)

best_tree = grid_search.best_estimator_

接着，我们对训练好的决策树进行剪枝，可以使用`prune()`函数：

from sklearn.tree import prune

pruned_tree = prune(best_tree)

评估模型性能时，我们需要先用测试集做预测，然后计算各种指标：

from sklearn.metrics import roc_curve, auc, accuracy_score, f1_score

y_pred_proba = pruned_tree.predict_proba(X_test)[:, 1]  # 第一列对应正类概率
fpr, tpr, _ = roc_curve(y_test, y_pred_proba)
roc_auc = auc(fpr, tpr)

accuracy = accuracy_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred, average='weighted')  # 可以指定average参数为'micro', 'macro', 'weighted'

plt.figure()
plt.plot(fpr, tpr, label=f'AUC = {roc_auc:.2f}')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.legend(loc='lower right')

这里我们得到了ROC曲线，AUC值、预测精度和F1分数。记得根据实际结果分析模型的表现，看看是否达到了预期的效果，以及是否存在改进的空间。