MLJ框架下决策树模型实例化报错：MethodError与世界年龄问题

问题原因 #

这个错误是Julia的世界年龄机制导致的：你在函数内部通过@eval @load动态加载模型类型，但紧接着调用Model()构造实例时，当前函数的执行上下文（旧世界年龄）比刚加载的模型构造函数的世界年龄新，导致无法调用新定义的方法。

那些能正常运行的模型（如XGBoost、MLJLinearModels下的模型），大概率是因为它们在脚本启动阶段就已被加载，世界年龄匹配；而决策树类模型是首次在函数内动态加载，触发了这个冲突。

解决方案 #

方案1：提前加载所有模型类型（推荐） #

把模型加载逻辑移到函数外部，在脚本初始化阶段就加载所有需要的模型，彻底避免函数内动态加载带来的世界年龄问题：

# 脚本开头提前加载所有模型
@load XGBoostRegressor pkg=XGBoost verbosity=0
@load RidgeRegressor pkg=MLJLinearModels verbosity=0
@load LassoRegressor pkg=MLJLinearModels verbosity=0
@load RandomForestRegressor pkg=BetaML verbosity=0
@load LinearRegressor pkg=MLJLinearModels verbosity=0
@load LogisticClassifier pkg=MLJLinearModels verbosity=0
@load RandomForestClassifier pkg=DecisionTree verbosity=0
@load XGBoostClassifier pkg=XGBoost verbosity=0

# 直接用模型类型构建映射字典
models = Dict(
    "xgb_reg" => XGBoostRegressor,
    "ridge_reg" => RidgeRegressor,
    "lasso_reg" => LassoRegressor,
    "rf_reg" => RandomForestRegressor,
    "lin_reg" => LinearRegressor,
    "log_class" => LogisticClassifier,
    "rf_class" => RandomForestClassifier,
    "xgb_class" => XGBoostClassifier
)

function machine_train_predict(df::DataFrame, df_train::DataFrame, model_name::String; args...)
    y, X = machine_input(df_train; rng=123)
    y = coerce(y, Continuous)

    Model = models[model_name]
    model = Model()

    m1 = machine(model, X, y) |> fit!

    y, X = machine_input(df)
    y = coerce(y, Continuous)
    yhat = MLJ.predict_mode(m1, X)
    return yhat
end

方案2：用Core.eval延迟构造函数调用 #

如果必须在函数内动态加载模型，可通过Core.eval确保模型构造在最新的世界年龄上下文执行：

function machine_train_predict(df::DataFrame, df_train::DataFrame, model_name::String; args...)
    models = Dict(
        "xgb_reg"=> ["XGBoost" => "XGBoostRegressor"],
        "ridge_reg"=> ["MLJLinearModels" => "RidgeRegressor"],
        "lasso_reg"=> ["MLJLinearModels" => "LassoRegressor"],
        "rf_reg" => ["BetaML" => "RandomForestRegressor"],
        "lin_reg" => ["MLJLinearModels" => "LinearRegressor"],
        "log_class" => ["MLJLinearModels" => "LogisticClassifier"],
        "rf_class" => ["DecisionTree" => "RandomForestClassifier"],
        "xgb_class" => ["XGBoost" => "XGBoostClassifier"]
    )

    y, X =  machine_input(df_train; rng=123)
    y = coerce(y, Continuous)

    mod_info = models[model_name]
    pkg = mod_info[1]
    model_str = mod_info[2]
    # 动态加载模型类型
    Model = @eval @load $(model_str) pkg=$(pkg) verbosity=0
    # 用Core.eval在最新世界年龄下构造模型实例
    model = Core.eval(Main, :( $(Model)() ))

    m1 = machine(model, X, y) |> fit!

    y, X =  machine_input(df)
    y = coerce(y, Continuous)
    yhat = MLJ.predict_mode(m1, X)
    return yhat
end

关键说明 #

• 世界年龄是Julia JIT编译的特性：动态生成的新代码（如@eval加载的模型）属于较新的"世界"，而当前函数的执行上下文仍处于旧世界，无法直接调用新方法。
• 方案1是更优选择，提前加载模型不仅解决世界年龄问题，还能减少重复加载的开销，提升脚本运行效率。

内容的提问来源于stack exchange，提问作者fnmelo