具有SVM基本分类器的AdaBoost的执行时间

一尘不染

具有SVM基本分类器的AdaBoost的执行时间

python

我只是用这些参数制作了一个Adaboost分类器，

1.n_estimators = 50

2.base_estimator = svc（这是一个支持向量分类器）

3.学习率= 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)

数据集具有18个自变量，而1个分类因变量数据集具有10480个数据点

每当我运行它时，将花费很多时间，但是没有任何结果。

有什么方法可以检查spyder的执行时间吗？还是更好的方法呢？

阅读 372

2021-01-20

共1个答案

一尘不染

实际上，我们从不使用SVM作为Adaboost的基本分类器。

使用决策树作为基础分类器（更具体地讲，决策树桩，即深度仅为1的DT
），设想了Adaboost（和类似的集成方法）。有充分的理由说明为什么今天仍然存在，如果您未明确指定base_classifier参数，则该参数将假定值为DecisionTreeClassifier(max_depth=1)。DT非常适合此类集合，因为它们本质上是
不稳定的 分类器，而SVM则不是这种情况，因此，在用作基本分类器时，预计不会提供太多支持。

最重要的是，SVM在计算上比决策树（更不用说决策树桩）昂贵得多，这就是观察到的处理时间长的原因。

除非你有一个非常好的理由，坚持支持向量机作为基分类（我强烈怀疑，你这样做），除去base_estimator = svc以恢复到默认设置，则很可能会被罚款。

2021-01-20