我正在阅读这篇优秀的论文，并尝试实现以下内容：

… 我们将每一棵树视为一个分类特征，其值为实例最终落入的叶节点的索引。我们使用这种类型的特征的1-of-K编码。例如，考虑图1中的提升树模型，它有2个子树，其中第一个子树有3个叶节点，第二个子树有2个叶节点。如果一个实例在第一个子树中落入叶节点2，在第二个子树中落入叶节点1，那么输入到线性分类器的整体输入将是二进制向量[0, 1, 0, 1, 0]，其中前3个条目对应于第一个子树的叶节点，最后2个条目对应于第二个子树的叶节点 …

有谁知道我如何预测一组行，并为这些行中的每一行获取集成中每棵树的选定叶节点？对于这个用例，我并不关心节点代表什么，只关心它的索引。我查看了源代码，但没有很快找到明显的方法。我可以看到我需要遍历树并做类似这样的事情：

for sample in X_test:  for tree in gbc.estimators_:    leaf = tree.leaf_index(sample) # 这是我需要的函数，但我想它不存在。    ...

任何建议都将不胜感激。

回答：

DecisionTreeRegressor 有一个 tree_ 属性，可以让你访问底层的决策树。它有一个方法 apply，似乎可以找到对应的叶节点ID：

dt.tree_.apply(X)

请注意，apply 方法期望其输入类型为 float32。