想要控制数据集大小，应该查阅load_breast_cancer的文档，看看是否有其他合适的参数可以控制数据集的划分或随机抽样

在`sklearn.datasets.load_breast_cancer()`函数中，虽然原始数据集大小是固定的，但它通常并不提供直接的参数来控制数据集大小。如果你想调整数据集的大小以满足特定的学习需求，比如做分阶段训练或验证，通常需要在加载数据后自行处理：

1. **随机划分**：如果你希望将数据划分为训练集和测试集，可以使用如`train_test_split`函数，它允许设置`test_size`参数来控制测试集的比例。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

2. **子集抽取**：如果想要更精细地控制数据量，你可以使用`random.sample`或切片选取部分样本。但是要注意，这可能会改变数据的代表性。

subset_indices = np.random.choice(len(X), size=100)  # 随机选取100个样本
X_subset = X[subset_indices]
y_subset = y[subset_indices]

总之，在Scikit-learn中，并非所有数据加载函数都内置了直接调整数据集大小的功能，但你可以通过额外的操作来达到你的目的。