mlr3中GraphLearner训练后为何仍显示<<UNTRAINED>>状态？

核心原因是GraphLearner训练时会使用原始graph的副本，而非直接修改你传入的原始graph，所以你直接访问learner$graph看到的还是未训练的原始管道，而训练后的状态存在learner$model里。

具体细节：

• mlr3的GraphLearner设计逻辑是为了隔离训练状态和原始管道定义：当你调用train()时，它会复制一份传入的graph进行训练，原始graph保持未训练状态，这样你可以后续复用原始管道做修改、重新训练，不会被已训练的状态污染。
• 要查看训练完成的管道状态，不要用learner$graph，而是访问learner$model，这个属性里存储的是训练后的graph实例，里面的所有PipeOps都会显示<>。

举个实际代码示例验证：

# 构建包含one-hot编码的管道
graph = po("encode", method = "one-hot") %>>% po("classif.rpart")
# 封装为GraphLearner
gl = GraphLearner$new(graph)
# 执行训练
gl$train(tsk("iris"))

# 查看原始graph（状态为UNTRAINED）
print(gl$graph)
# 查看训练后的graph（状态为TRAINED）
print(gl$model)

如果非要让原始graph直接被训练，可以跳过GraphLearner，直接调用graph的train()方法，但这种方式会修改原始graph的状态，后续无法再用它构建新的未训练管道，一般不推荐。

内容的提问来源于stack exchange，提问作者atg