对于sklearn库中breast cancer数据集，分别使用BPNN模型和SVM模型（参数自行设计）构建一个预测模型，并使用score（）函数评价模型准确度

首先，让我们了解一下如何在Python的scikit-learn库中使用Breast Cancer数据集来构建预测模型。我们将分两步来完成这个任务：

1. 导入所需库和数据集：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neural_network import MLPClassifier  # BPNN模型，即多层感知机
from sklearn.svm import SVC  # SVM模型
from sklearn.metrics import accuracy_score

# 加载乳腺癌数据集
data = datasets.load_breast_cancer()
X = data.data
y = data.target

2. 数据预处理和划分训练集和测试集：

# 划分特征（X）和目标变量（y）
# 分割70%的数据作为训练集，30%作为测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 标准化特征数据
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

3. 构建并训练BPNN模型：

# 设定BPNN参数
bpnn_params = {
    'hidden_layer_sizes': (10, 5),  # 隐藏层神经元的数量
    'activation': 'relu',  # 激活函数
    'solver': 'adam',  # 最优化算法
    'max_iter': 1000,  # 迭代次数
}

bpnn_model = MLPClassifier(**bpnn_params)
bpnn_model.fit(X_train, y_train)

4. 构建并训练SVM模型：

# 设定SVM参数
svm_params = {
    'kernel': 'linear',  # 内核类型，默认线性，也可以尝试'rbf'、'poly'
    'C': 1.0,  # 正则化参数
}

svm_model = SVC(**svm_params)
svm_model.fit(X_train, y_train)

5. 评估模型性能：

# 使用score()函数计算准确率
bpnn_accuracy = bpnn_model.score(X_test, y_test)
svm_accuracy = svm_model.score(X_test, y_test)

print(f"BPNN模型准确率: {bpnn_accuracy}")
print(f"SVM模型准确率: {svm_accuracy}")