调用sklearn中的模块方法，分别用logistics回归、SVM、BP神经网络对sklearn数据库中鸢尾花数据（去掉某一个类，剩下的两个类）进行二分类，并简要分析分类性能。

对于鸢尾花数据集的二分类任务，我们可以使用Logistic回归、支持向量机（SVM）和BP神经网络进行建模和评估。

首先，导入鸢尾花数据集和所需的模块：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

然后，加载鸢尾花数据集并进行预处理：

iris = load_iris()
X = iris.data
y = iris.target

# 去掉一个类别，只保留两个类别
X = X[y != 0]
y = y[y != 0]

# 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)

接下来，分别使用Logistic回归、SVM和BP神经网络进行建模和预测：

# Logistic回归
logreg = LogisticRegression()
logreg.fit(X_train, y_train)
logreg_preds = logreg.predict(X_test)

# SVM
svm = SVC()
svm.fit(X_train, y_train)
svm_preds = svm.predict(X_test)

# BP神经网络
mlp = MLPClassifier()
mlp.fit(X_train, y_train)
mlp_preds = mlp.predict(X_test)

最后，使用一些性能指标来评估分类器的性能：

logreg_accuracy = accuracy_score(y_test, logreg_preds)
logreg_precision = precision_score(y_test, logreg_preds)
logreg_recall = recall_score(y_test, logreg_preds)
logreg_f1 = f1_score(y_test, logreg_preds)

svm_accuracy = accuracy_score(y_test, svm_preds)
svm_precision = precision_score(y_test, svm_preds)
svm_recall = recall_score(y_test, svm_preds)
svm_f1 = f1_score(y_test, svm_preds)

mlp_accuracy = accuracy_score(y_test, mlp_preds)
mlp_precision = precision_score(y_test, mlp_preds)
mlp_recall = recall_score(y_test, mlp_preds)
mlp_f1 = f1_score(y_test, mlp_preds)

根据以上代码，你可以分别得到Logistic回归、SVM和BP神经网络在鸢尾花数据集上的分类性能，包括准确率（accuracy）、精确率（precision）、召回率（recall）和F1值（F1-score）。