请编写python代码解决应用问题:乳腺癌数据集有 569个样本 30个特征，二类类型分良性 benign 357 样本、恶性 ma1ignant 212 样本。 请使用 2 种分类方法(朴素贝叶斯分类器+更高 性能分类器)建立模型判别样本的类另到，依据划分数据集为训练集和测试集，并对比2种方法的性能。 并写出原理设计(简单写出:完成任务采用的方法，该方法的原理/公式) 数据集的来源:from skleam.datasets impo it load breast cancer

好的，以下是 Python 代码：

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score
from sklearn.ensemble import RandomForestClassifier

# 加载数据集
data = load_breast_cancer()

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.3, random_state=42)

# 朴素贝叶斯分类器
nb = GaussianNB()
nb.fit(X_train, y_train)
nb_y_pred = nb.predict(X_test)
nb_acc = accuracy_score(y_test, nb_y_pred)

# 随机森林分类器
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)
rf_y_pred = rf.predict(X_test)
rf_acc = accuracy_score(y_test, rf_y_pred)

print("朴素贝叶斯分类器的准确率: {:.2f}%".format(nb_acc*100))
print("随机森林分类器的准确率: {:.2f}%".format(rf_acc*100))

代码中使用了 `sklearn` 库中的 `load_breast_cancer` 函数加载了乳腺癌数据集，使用 `train_test_split` 函数将数据集划分为训练集和测试集。然后分别使用了朴素贝叶斯分类器和随机森林分类器进行分类，并计算出了它们的准确率。

朴素贝叶斯分类器的原理是基于贝叶斯定理，通过先验概率和条件概率计算出后验概率，从而对样本进行分类。

随机森林分类器的原理是基于决策树，通过随机森林算法生成多个决策树进行分类，从而提高分类的准确率。