分别用递归消除法和Relief完成对乳腺癌数据特征的筛选，并给出代码

递归消除法（Recursive Feature Elimination, RFE）是一种基于机器学习模型的特征选择方法，它通过反复训练模型并剔除最不重要的特征来减少特征数。而 ReliefF 是一种基于实例的学习算法，它通过计算样本点之间的距离和相似度来进行特征重要性的评估。

以下是使用Python的sklearn库分别用递归消除法(RFE)和ReliefF对乳腺癌数据进行特征筛选的基本示例：

# 导入所需库
from sklearn.datasets import load_breast_cancer
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_selection import RFECV, ReliefF
import pandas as pd

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

# 递归消除法(RFE)
clf = RandomForestClassifier()  # 使用随机森林作为基础模型
rfe = RFECV(estimator=clf, step=1, cv=5)  # 交叉验证设置为5折
rfe.fit(X, y)
selected_features_rfe = X.columns[rfe.support_]

print("RFE选中的特征:", selected_features_rfe)
#