我正在做一个文本分类任务。现在，我想将带有ensemble.AdaBoostClassifier的LinearSVC用作base_estimator。但是，当我尝试运行代码时
clf = AdaBoostClassifier(svm.LinearSVC(),n_estimators=50, learning_rate=1.0, algorithm='SAMME.R')
clf.fit(X, y)
发生错误。
TypeError: AdaBoostClassifier with algorithm='SAMME.R' requires that the weak learner supports the calculation of class probabilities with a predict_proba method第一个问题是
svm.LinearSVC()不能计算类概率吗？如何让它计算概率？然后我更改参数
algorithm并再次运行代码。clf = AdaBoostClassifier(svm.LinearSVC(),n_estimators=50, learning_rate=1.0, algorithm='SAMME')
clf.fit(X, y)
这一次
TypeError: fit() got an unexpected keyword argument 'sample_weight'发生。如AdaBoostClassifier，Sample weights. If None, the sample weights are initialized to 1 / n_samples.中所述，即使我给n_samples分配一个整数，也会发生错误。第二个问题是，
n_samples是什么意思？如何解决这个问题？希望有人能帮助我。
不过，根据@jme的评论，在尝试之后
clf = AdaBoostClassifier(svm.SVC(kernel='linear',probability=True),n_estimators=10, learning_rate=1.0, algorithm='SAMME.R')
clf.fit(X, y)
程序无法获得结果，服务器上使用的内存保持不变。
第三个问题是，我如何使
AdaBoostClassifier与SVC一起作为基本估计量工作？ 最佳答案
正确的答案取决于你到底在寻找什么。linearsvc无法预测类概率（ADaboostClassifier使用的默认算法所需），并且不支持样本权重。
您应该知道，支持向量机名义上并不预测类概率。它们是使用platt scaling（或在多类情况下platt scaling的扩展）计算的，这是一种已知问题的技术。如果您需要较少的“人工”类概率，那么SVM可能不是解决问题的方法。
有了这句话，我相信你问题中最令人满意的答案就是格雷厄姆给出的答案。也就是说，
from sklearn.svm import SVC
from sklearn.ensemble import AdaBoostClassifier
clf = AdaBoostClassifier(SVC(probability=True, kernel='linear'), ...)
你还有其他选择。您可以将sgdclassifier与铰链损失函数一起使用，并将adaboostclassifier设置为使用samme算法（不需要预测概率函数，但需要对样本权重的支持）：
from sklearn.linear_model import SGDClassifier
clf = AdaBoostClassifier(SGDClassifier(loss='hinge'), algorithm='SAMME', ...)
如果您想使用为adaboostClassifier提供的默认算法，最好的答案可能是使用一个对类概率具有本机支持的分类器，比如逻辑回归。您可以使用scikit.linear_model.logisticregression或使用带有日志丢失函数的sgdclassifier（如kris提供的代码中所用）来完成此操作。
希望这有帮助，如果您对什么是platt scaling很好奇，check out the original paper by John Platt here。
关于python - sklearn.ensemble.AdaBoostClassifier不能将SVM作为base_estimator加入？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/27107205/