使用PCA模型对load breast _cancer[(美国)威斯康星州乳腺癌]数据集进行降维，分别使用指定保留20个主成分与指定保留方差比的方式进行降维，并查看降维后所保 留的各特征的方差占比。

下面是使用 PCA 模型对威斯康星州乳腺癌数据集进行降维的示例代码：

from sklearn.datasets import load_breast_cancer
from sklearn.decomposition import PCA

# 加载数据集
data = load_breast_cancer()
X = data.data

# 构建 PCA 模型，指定保留 20 个主成分
pca1 = PCA(n_components=20)
X_pca1 = pca1.fit_transform(X)

# 构建 PCA 模型，指定保留 90% 的方差
pca2 = PCA(n_components=0.9)
X_pca2 = pca2.fit_transform(X)

# 输出降维后所保留的各特征的方差占比
print("保留 20 个主成分的方差占比：", pca1.explained_variance_ratio_)
print("保留 90% 方差的方差占比：", pca2.explained_variance_ratio_)

在这个示例中，我们首先使用 sklearn 的 `load_breast_cancer` 函数加载威斯康星州乳腺癌数据集。然后，我们分别构建两个 PCA 模型，一个指定保留 20 个主成分，另一个指定保留 90% 的方差。接下来，我们使用每个模型对数据进行降维，并输出降维后所保留的各特征的方差占比。

需要注意的是，PCA 模型的参数是根据经验选择的，你可以根据自己的需求进行调整。另外，PCA 的输出结果中 `explained_variance_ratio_` 属性表示每个主成分所解释的方差占比，可以用于评估降维后保留信息的程度。