我刚刚创建了一个AdaBoost分类器，使用以下参数，

1.n_estimators = 50

2.base_estimator = svc (支持向量分类器)

3.learning_rate = 1

这是我的代码：

from sklearn.ensemble import AdaBoostClassifierfrom sklearn.svm import SVCsvc = SVC(kernel = 'linear',probability = True)ABC = AdaBoostClassifier(n_estimators = 50, base_estimator = svc, learning_rate = 1)ABC.fit(X,Y)

数据集有18个独立变量和1个分类依赖变量，数据集有10480个数据点

每次运行这个程序时，都需要很长时间，但没有任何结果。

有没有办法检查执行时间？或者有什么更好的方法来做这件事？

回答：

在实践中，我们从不使用SVM作为AdaBoost的基分类器。

AdaBoost（以及类似的集成方法）最初是使用决策树作为基分类器设计的（更具体地说，是决策树桩，即深度仅为1的决策树）；这也是为什么直到今天，如果你不明确指定base_classifier参数，它会默认使用DecisionTreeClassifier(max_depth=1)。决策树适合这种集成，因为它们本质上是不稳定的分类器，而SVM则不是，因此后者用作基分类器时预计不会带来太多好处。

此外，SVM在计算上比决策树（更不用说决策树桩）要昂贵得多，这就是你观察到的处理时间长的原因。

除非你有非常充分的理由坚持使用SVM作为基分类器（我非常怀疑你有这样的理由），否则请删除base_estimator = svc以恢复到默认设置，这样你很可能就没问题了。