要比较AdaBoost和SVM基分类器的执行时间，您可以使用Python编程语言和scikit-learn库来实现。下面是一个示例代码，演示了如何计算AdaBoost和SVM基分类器的执行时间。

首先，您需要安装scikit-learn库，可以使用以下命令在终端或命令提示符中安装：

pip install -U scikit-learn

接下来，您可以使用以下代码示例计算AdaBoost和SVM基分类器的执行时间：

from sklearn.ensemble import AdaBoostClassifier
from sklearn.svm import SVC
from sklearn.datasets import make_classification
import time

# 创建一个合成数据集
X, y = make_classification(n_samples=1000, n_features=20, random_state=42)

# 初始化AdaBoost分类器
ada_boost = AdaBoostClassifier(n_estimators=100)

# 初始化SVM分类器
svm = SVC()

# 计算AdaBoost分类器的执行时间
start_time = time.time()
ada_boost.fit(X, y)
end_time = time.time()
ada_boost_time = end_time - start_time
print("AdaBoost执行时间：", ada_boost_time)

# 计算SVM分类器的执行时间
start_time = time.time()
svm.fit(X, y)
end_time = time.time()
svm_time = end_time - start_time
print("SVM执行时间：", svm_time)

在上面的代码中，我们首先使用make_classification函数创建了一个合成数据集。然后，我们初始化了AdaBoost和SVM分类器。接下来，我们使用time模块来计算AdaBoost和SVM分类器的执行时间。最后，我们打印出计算得到的执行时间。

请注意，执行时间是根据机器的性能和数据集的大小而变化的，因此实际的执行时间可能会有所不同。