、题目三：使用 scikit-learn 中的 SVM 分类器对乳腺癌威斯康星州数据集进行分类。 （1）导入数据集：乳腺癌威斯康星州数据集是 sklearn 中自带的数据集（load_breast_cancer）。 通过查看数据量和维度、特征类型（离散 or 连续）、特征名、标签名、标签分布情况、数据集 的描述等信息了解数据集。 （2）建模：分别使用四种核函数对数据集进行分类。 （3）模型评价：每种核函数下的分类准确率、计算时间等。

好的，针对题目三，我可以提供一些实现的思路和代码示例。

首先，我们需要导入乳腺癌数据集和 SVM 分类器：

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
import time

然后，我们可以通过以下代码导入数据集并查看相关信息：

breast_cancer = load_breast_cancer()
X = breast_cancer.data
y = breast_cancer.target
print("数据量：", X.shape[0])
print("维度：", X.shape[1])
print("特征类型：", ['连续' if breast_cancer.feature_names[i].isalpha() else '离散' for i in range(X.shape[1])])
print("特征名：", breast_cancer.feature_names)
print("标签名：", breast_cancer.target_names)
print("标签分布情况：", [sum(y==0), sum(y==1)])
print("数据集描述：", breast_cancer.DESCR)

接着，我们可以将数据集划分为训练集和测试集，并使用 SVM 分类器对数据集进行分类：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

kernels = ['linear', 'poly', 'rbf', 'sigmoid']

for kernel in kernels:
    start_time = time.time()
    svm = SVC(kernel=kernel)
    svm.fit(X_train, y_train)
    y_pred = svm.predict(X_test)
    acc = accuracy_score(y_test, y_pred)
    print("核函数：", kernel)
    print("分类准确率：", acc)
    print("计算时间：", time.time()-start_time)

最后，我们可以输出每种核函数下的分类准确率和计算时间。

注意，实际上，在使用 SVM 分类器时，我们通常需要对超参数进行调优，以获得更好的分类效果。但这个过程比较耗时，这里就不进行详细讲解了。如果你需要进行超参数调优，可以参考 scikit-learn 中的 GridSearchCV 或者 RandomizedSearchCV 方法。