我想在adaboost中将它的基分类器换成ngboost，以iris为例给出代码,注意，我依旧使用adaboost作为强分类器

以下是将 AdaBoost 基分类器替换为 ngboost 的示例代码，使用 iris 数据集进行训练和测试：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.ensemble import AdaBoostClassifier
from ngboost import NGBClassifier
from ngboost.distns import k_categorical
from ngboost.learners import default_tree_learner

# load iris dataset
iris = load_iris()
X, y = iris.data, iris.target

# split data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# create ngboost base learner
ngb = NGBClassifier(Dist=k_categorical(3), Base=default_tree_learner)

# create adaboost classifier
adaboost = AdaBoostClassifier(base_estimator=ngb, n_estimators=50, learning_rate=1)

# train adaboost classifier
adaboost.fit(X_train, y_train)

# predict on test set
y_pred = adaboost.predict(X_test)

# calculate accuracy score
accuracy = accuracy_score(y_test, y_pred)

print(f"Accuracy: {accuracy}")

在这里，我们首先加载 iris 数据集并将其拆分为训练和测试集。然后，我们创建一个 `NGBClassifier` 作为 ngboost 的基分类器，并使用 `k_categorical` 分布来处理分类问题。接下来，我们将 ngboost 的基分类器作为 Adaboost 的基分类器，并设置 `n_estimators` 和 `learning_rate`。最后，我们对测试集进行预测并计算准确率得分。

请注意，ngboost 的默认基学习器是决策树，因此我们不需要指定 `Base` 和 `default_tree_learner`。但是，如果您想使用其他学习器作为基学习器，可以更改 `Base` 和 `default_tree_learner`。