如何修改mlr3的默认公式并在任务创建时自定义建模公式？

mlr3 的任务（Task）层默认不处理公式逻辑，特征构造的规则统一在流水线或者学习器层面实现，以下两种方案都比手动调用model.matrix生成特征再新建任务的方式更规范，不需要额外维护多份任务对象：

• 方案1：通过mlr3pipelines的PipeOpFormula通用实现
  该方案适配所有学习器，不需要修改学习器参数，直接在流水线层面完成特征构造：
  1. 先构建原始任务（统一使用默认Y ~ .的全特征逻辑即可）

     library(mlr3)
     library(mlr3pipelines)
     # 替换为你自己的数据集和目标列Y
     task = as_task_regr(your_data, target = "Y")
     

  2. 构造带二阶交互项的特征处理节点

     po_interaction = po("formula", formula = Y ~ .^2)
     

  3. 对比时直接构建两条训练流水线即可：
     • 基线模型（Y ~ .）：直接用原始任务训练学习器，不需要加特征处理节点
     • 交互项模型（Y ~ .^2）：用po_interaction %>>% 学习器的流水线训练
       该方案可以直接接入mlr3的基准测试（benchmark）框架，批量对比两类模型的效果。
• 方案2：通过学习器的formula参数实现（无需额外依赖包）
  如果你使用的学习器本身支持formula参数（比如regr.lm、classif.rpart等原生基于公式接口的学习器），可以直接在定义学习器时传入自定义公式：

  # 二阶交互项模型的学习器定义
  lrn_interaction = lrn("regr.lm", formula = Y ~ .^2)
  

  直接用原始任务训练该学习器即可，学习器会自动按照指定公式构造特征。

手动调用model.matrix生成特征的方案需要额外处理类别变量编码、特征命名、缺失值对齐等问题，且无法复用mlr3原生的特征元数据管理逻辑，仅适合临时验证场景使用。

内容的提问来源于stack exchange，提问作者throwic