出现错误是因为iterative_imputer.estimator对象在适合每次迭代之前被克隆，它是所有其他估计量的来源示例。
拟合后，估计量作为_ImputerTriplet对象列表存储在imputation_sequence_属性下。可以使用以下命令访问（scikit-learn==1.2.0）：

import numpy as np
from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer
from sklearn.tree import DecisionTreeRegressor
from sklearn.tree import export_text

regressor = DecisionTreeRegressor(random_state=0)
iterative_imputer = IterativeImputer(
    estimator=regressor,
    max_iter=10,
    imputation_order='roman',
    random_state=0,
)

iterative_imputer.fit([[7, 2, 3], [4, np.nan, 6], [10, 5, 9]])

for _, _, estimator in iterative_imputer.imputation_sequence_:
    print(export_text(estimator))

|--- feature_1 <= 7.50
|   |--- feature_0 <= 2.75
|   |   |--- value: [7.00]
|   |--- feature_0 >  2.75
|   |   |--- value: [4.00]
|--- feature_1 >  7.50
|   |--- value: [10.00]

...

下面是我应该如何做：
从sklearn.tree导入决策树从sklearn.impute导入迭代输入器

创建决策树回归对象估计器=决策树回归（）

使用DecisionTreeRegressor作为估计量创建IterativeImputer对象，估计量= IterativeImputer（估计量=估计量）

根据您的数据调整迭代输入器imputer.fit（X）

打印用作迭代输入器打印的估计量的DecisionTreeRegressor树（estimator.export_text（））

export_text方法将树输出为文本表示，然后可以将其打印到控制台或保存到文件中。
请记住，IterativeImputer使用DecisionTreeRegressor对象作为估计量来预测数据中的缺失值，并且DecisionTreeRegressor生成的树与插补过程没有直接关系。