我需要在Python中使用梯度提升决策树构建一个分类模型，并获取模型参数（节点的值）以便在硬件上实现。据我了解，梯度提升决策树的最终结果是一个普通的决策树分类器，带有用于分类输入数据的阈值。
我阅读了以下帖子：
1-从GradientBoostingClassifier中提取决策规则
2-如何提取GradientBosstingClassifier的决策规则
正如他们所提到的，
model.estimators_包含模型中所有单独的分类器。对于GradientBoostingClassifier，这是一个形状为(n_estimators, n_classes)的2D numpy数组，每个项目都是一个DecisionTreeRegressor。
他们展示了如何获取在构建梯度决策树分类器过程中用作估计器的每个决策树的阈值。我不确定model.estimators是否包含最终的决策树。scikit-learn关于集成分类器的文档也没有提到这一点。
请帮助我如何从scikit-learn的梯度提升决策树模型中提取最终参数（节点的值）。或者，如果我对scikit-learn中的梯度提升决策树有什么误解，请告诉我。
回答：
我不确定
model.estimators是否包含最终的决策树 […] 或者如果我对梯度提升决策树有什么误解
看起来你确实误解了一个关键细节：在GBT中，没有任何“最终”的决策树；GBT的工作方式大致是：
- 集合中的每棵树根据自己的阈值进行分类
- 集合中所有树的输出进行加权平均，以产生集合输出
从你的评论来看：
我的目标是获取给出最佳分类结果的树的参数
再次强调，这与提升无关，正如你在下一条评论中正确指出的那样，提升是顺序地生长树，每棵树专注于前一棵树的“错误”；但是
并且模型达成的是一棵决策树
是不正确的，正如我已经解释过的（最终模型是整个加法集合）。因此，在这里选择任何单棵树都没有意义。
鉴于这些澄清，你链接的第一个线程准确地展示了如何提取集合中所有树的规则（阈值）（老实说，不知道这在实践中是否真的有用）。
