在mlr3中如何保存训练好的模型供其他项目调用？

问题原因 #

你之前仅保存learner$model的方式只能得到rpart原生的模型对象，不包含mlr3 Learner类封装的任务元信息（比如特征规则、标签分类水平）和predict_newdata()方法，因此无法直接用于mlr3的预测流程，也无法实现跨项目免重训调用。

正确操作方法 #

直接保存完整的训练后Learner对象即可，不需要单独提取底层模型：

模型保存代码

library("mlr3")

# 原有训练逻辑
task = tsk("iris")
learner = lrn("classif.rpart")
learner$train(task, row_ids = 1:120)

# 直接序列化保存整个训练后的learner对象
save(learner, file = "mlr3_learner_rpart.RData")

跨项目加载调用代码

在新的R会话/其他项目中直接加载该对象即可调用预测接口，无需重训，也不需要附带原始训练数据：

library("mlr3")
# 加载保存的learner对象
load("mlr3_learner_rpart.RData")

# 传入新数据集直接预测，仅需保证新数据集特征的列名、类型和训练时一致
new_data = iris[121:150, ] # 此处用iris子集模拟新的业务数据
predictions = learner$predict_newdata(new_data)
print(predictions)

注意事项 #

• 该方法同样适用于封装了预处理逻辑的GraphLearner（mlr3pipelines组件），所有预处理规则、训练参数都会被一起序列化保存，加载后直接可用。
• 如果你需要给非mlr3的接口提供原生模型，可以单独保存learner$model，但这种场景下无法使用predict_newdata()方法，只能调用对应模型的原生预测接口。

内容的提问来源于stack exchange，提问作者alessio619