如何高效序列化并保存mlr3中resample生成的R6类对象？

针对resample()生成的R6对象（尤其store_models=T时）序列化慢的问题，目前有几种实用的解决思路：

• 只保存核心结果，舍弃完整R6对象
  大多数场景下，你不需要保存整个重抽样对象，只需提取关键信息（性能指标、最优参数、预测值等）存入普通数据结构，再用saveRDS保存：

  # 提取外层重抽样的性能评分
  perf_scores <- rr1$score()
  # 提取自动调参得到的最优参数配置
  best_hyperparams <- rr1$learners[[1]]$model$learner$param_set$values
  # 提取预测结果（按需选择）
  pred_results <- rr1$predictions()
  # 打包为轻量列表保存
  saveRDS(list(performance = perf_scores, best_params = best_hyperparams, predictions = pred_results), "lightweight_resample.rds")
  

• 使用mlr3生态的专用序列化工具
  mlr3提供的mlr3misc::rds_save函数针对R6对象做了优化，能减少序列化的时间开销和文件体积，直接替代saveRDS即可：

  library(mlr3misc)
  rds_save(rr1, file = "optimized_resample.rds")
  

• 减少模型存储的冗余
  如果业务场景允许，在resample()或auto_tuner()中设置store_models = FALSE，只保留性能数据而非完整模型实例，这是最直接降低序列化成本的方式。但如果后续需要基于模型做进一步分析，此方法不适用。

• 手动清理R6对象的冗余引用
  R6对象的递归引用是序列化缓慢的核心原因，可手动剥离不必要的关联对象（比如训练任务的原始数据、未使用的中间状态），但此方法需要熟悉mlr3的R6结构，操作不当可能导致对象失效：

  # 示例：清理每个学习器中的任务引用
  for (learner in rr1$learners) {
    if (!is.null(learner$model$task)) {
      learner$model$task <- NULL
    }
  }
  saveRDS(rr1, "cleaned_resample.rds")
  

内容的提问来源于stack exchange，提问作者Yodi