AdaBoost 与 SVM 基分类器的执行时间答案

【问题标题】：Execution time of AdaBoost with SVM base classifierAdaBoost 与 SVM 基分类器的执行时间
【发布时间】：2020-01-17 23:27:15
【问题描述】：

我刚刚用这些参数做了一个 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，1 个分类因变量数据集有 10480 个数据点

每当我运行它时，它都会花费很多时间但没有任何结果。

有没有办法检查执行时间？或者有更好的方法吗？

【问题讨论】：

你为什么不用 1 或 2 个估算器试试呢。如果它很快，请使用更多，看看它的表现如何。或者尝试用更少的数据来感受一下你的算法有多快或多慢。
是的，我已经尝试过了，它减少了您所说的执行时间，非常感谢您的评论

标签： python machine-learning scikit-learn svm adaboost

【解决方案1】：

我最近也有类似的经历。不过，就我而言，我意识到在使用 SVM 作为基本估计器之前我并没有缩放 X。只需确保将数据从 0 扩展到 1（您可以使用 sklearn 中的 StandardScaler()），这在使用 SVM 之前始终是必需的。

【讨论】：

【解决方案2】：

在实践中，我们从不使用 SVM 作为 Adaboost 的基础分类器。

Adaboost（和类似的集成方法）是使用决策树作为基础分类器（更具体地说，决策 stumps，即深度仅为 1 的 DTs）构思的；如果您没有明确指定base_classifier 参数，那么今天仍然有充分的理由假设DecisionTreeClassifier(max_depth=1) 的值。 DT 适合这种集成，因为它们本质上是不稳定分类器，而 SVM 则不是这种情况，因此后者在用作基分类器时预计不会提供太多。

最重要的是，SVM 在计算上比决策树（更不用说决策stumps）要昂贵得多，这就是您观察到处理时间长的原因。

除非您有非常充分的理由坚持将 SVM 作为基分类器（我非常怀疑您这样做），否则请删除 base_estimator = svc 以恢复到默认设置，并且大多数也许你会没事的。

【讨论】：