使用python完成如下任务，利用鸢尾花数据集前两类，交叉验证，测试SVM分类器性能，改变SVM超参数，对比不同超参数对结果的影响

可以使用sklearn库中的SVM模型来完成这个任务。首先需要加载鸢尾花数据集，然后将前两类数据提取出来作为训练集，剩余的数据作为测试集。接着可以使用sklearn库中的GridSearchCV函数来进行超参数的调优，比如调整C和gamma参数。最后可以使用交叉验证来评估SVM分类器的性能。以下是示例代码：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.svm import SVC

# 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target

# 提取前两类数据作为训练集
X_train, X_test, y_train, y_test = train_test_split(X[:100], y[:100], test_size=0.2, random_state=42)

# 定义SVM模型
svm = SVC()

# 定义超参数范围
param_grid = {'C': [0.1, 1, 10], 'gamma': [0.1, 1, 10]}

# 使用GridSearchCV进行超参数调优
grid_search = GridSearchCV(svm, param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 输出最佳超参数和交叉验证得分
print("Best parameters: {}".format(grid_search.best_params_))
print("Best cross-validation score: {:.2f}".format(grid_search.best_score_))

# 使用最佳超参数进行训练和测试
svm = SVC(**grid_search.best_params_)
svm.fit(X_train, y_train)
print("Test set score: {:.2f}".format(svm.score(X_test, y_test)))

注意，这里使用了交叉验证来评估模型的性能，因此不需要再单独划分验证集。另外，超参数的调优可以使用GridSearchCV函数来自动完成，不需要手动调整。