您可以使用 1-hot 编码 - 对于单个树，每个示例都由包含 1 和所选叶子的向量表示，并将这些向量组合为森林（连接或 OR'ed）。这为您提供了一个中间表示。

另一种选择是使用邻近度量 [1] 来计算无监督的稀疏特征表示 - 一个矩阵 M，其中 M_ij = #times 示例 i,j 终止于同一叶（在整个森林中）。该矩阵稀疏且大，但您可以减小其大小。

它们中的任何一个都给出了有用的中间表示吗？我不知道任何使用随机森林进行深度学习的尝试..

[1] http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm#prox

也许有点晚了，但是...

Ji Feng 和 Zhi-Hua Zhou (2017)最近提出了一种基于树集成的自动编码器模型。

他们学习随机森林或为编码器部分构建“完全随机森林”。为了对其进行解码，他们沿着从叶子到根的树枝向后移动，这给出了一系列规则，他们从中提取了最大兼容规则。然后，使用这个规则，他们能够或多或少地精确地重建输入。

PS：可以注意到Biau 等人。（2016）表明树集成可以被视为一个两层感知器。看到这个范围的 Forest Autoencoder 可能会很有趣。