请编写python代码解决应用问题:乳腺癌数据集有 569个样本 30个特征，二类类型分良性 benign 357 样本、恶性 ma1ignant 212 样本。 请使用 2 种分类方法(朴素贝叶斯分类器+更高 性能分类器)建立模型判别样本的类另到，依据划分数据集为训练集和测试集，并对比2种方法的性能。 并写出原理设计(简单写出:完成任务采用的方法，该方法的原理/公式) 数据集的来源:from skleam.datasets impo it load breast cancer

好的，以下是针对乳腺癌数据集的Python代码：

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

# 加载数据集
data = load_breast_cancer()

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2)

# 朴素贝叶斯分类器
nb_classifier = GaussianNB()
nb_classifier.fit(X_train, y_train)
nb_pred = nb_classifier.predict(X_test)
nb_acc = accuracy_score(y_test, nb_pred)

# 支持向量机
svm_classifier = SVC()
svm_classifier.fit(X_train, y_train)
svm_pred = svm_classifier.predict(X_test)
svm_acc = accuracy_score(y_test, svm_pred)

print("朴素贝叶斯分类器的准确率：", nb_acc)
print("支持向量机的准确率：", svm_acc)

上述代码首先使用`load_breast_cancer()`函数加载乳腺癌数据集，并将其划分为训练集和测试集。然后使用朴素贝叶斯分类器和支持向量机对数据进行分类，并计算准确率。最后输出两种分类器的准确率。

朴素贝叶斯分类器的原理是基于贝叶斯定理和特征条件独立假设，通过计算给定特征条件下目标变量的后验概率，来进行分类。

支持向量机的原理是将数据映射到高维空间，从而找到一个最优的超平面，使得不同类别的数据点距离该超平面的距离最大化。通过最大化间隔，来实现分类。