在解决AdaBoost回归器花费很长时间的问题时，可以尝试以下几种方法：

1. 使用更小的数据集：如果数据集非常大，可以考虑使用一个较小的数据集来进行训练和调试。这样可以减少计算时间并快速测试代码。

2. 调整参数：AdaBoost回归器有一些参数可以调整，例如基分类器的数量、学习率等。适当调整这些参数可以提高算法的性能并减少计算时间。

3. 并行化处理：可以使用多线程或分布式计算来并行化处理AdaBoost回归器的训练过程。这样可以利用多个处理器或计算机的计算能力，加快训练速度。

以下是一个使用scikit-learn库中的AdaBoostRegressor进行回归的示例代码：

from sklearn.ensemble import AdaBoostRegressor
from sklearn.datasets import make_regression

# 生成示例数据
X, y = make_regression(n_samples=1000, n_features=10, random_state=0)

# 创建AdaBoost回归器对象
regressor = AdaBoostRegressor(n_estimators=100, learning_rate=0.1)

# 训练模型
regressor.fit(X, y)

可以根据实际情况调整n_estimators和learning_rate参数来提高算法性能和减少计算时间。