带有 SVM 基分类器的 AdaBoost 的执行时间

我刚刚用这些参数制作了一个 Adaboost 分类器，

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 AdaBoostClassifier
from sklearn.svm import SVC

svc = 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 个自变量和 1 个分类因变量数据集有 10480 个数据点

每当我运行这个时，都会花费很多时间，但没有任何结果。

有什么办法可以检查执行时间吗？或者有更好的方法来做到这一点？

在实践中，我们never使用 SVM 作为 Adaboost 的基分类器。

Adaboost（以及类似的集成方法）是使用决策树作为基分类器（更具体地说，决策stumps，即深度仅为 1) 的 DT；如果您没有明确指定，那么今天仍然有充分的理由base_classifier参数，它假设值为DecisionTreeClassifier(max_depth=1)。 DT 适合这种集成，因为它们本质上是unstable分类器的情况与 SVM 不同，因此后者在用作基分类器时预计不会提供太多功能。

除此之外，SVM 在计算上比决策树昂贵得多（更不用说决策树了）stumps），这就是您观察到的处理时间较长的原因。

除非你有一个very坚持使用 SVM 作为基本分类器的充分理由（我非常怀疑你这样做），删除base_estimator = svc为了恢复到默认设置，很可能你会没事的。