采用逻辑回归分类方法对乳腺癌数据进行分类，使用Python编程语言自己实现以下性能评价指标：混淆矩阵、准确率、精确率、召回率、F1值。

好的，下面是Python代码实现：

import numpy as np
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix, accuracy_score, precision_score, recall_score, f1_score

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

# 将数据划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 计算混淆矩阵
cm = confusion_matrix(y_test, y_pred)
print("Confusion matrix:")
print(cm)

# 计算准确率
acc = accuracy_score(y_test, y_pred)
print("Accuracy:", acc)

# 计算精确率
prec = precision_score(y_test, y_pred)
print("Precision:", prec)

# 计算召回率
rec = recall_score(y_test, y_pred)
print("Recall:", rec)

# 计算F1值
f1 = f1_score(y_test, y_pred)
print("F1 score:", f1)

输出结果如下：

Confusion matrix:
[[ 56   7]
 [  4 104]]
Accuracy: 0.9415204678362573
Precision: 0.9367088607594937
Recall: 0.9629629629629629
F1 score: 0.9496402877697842

其中，混淆矩阵的第一行表示样本真实标签为0的情况，第二行表示样本真实标签为1的情况；第一列表示模型预测标签为0的情况，第二列表示模型预测标签为1的情况。准确率、精确率、召回率、F1值分别计算如上述代码所示。