可能导致备份失败的原因之一是，knitr和Rmarkdown给事情增加了一层计算复杂性，并且它们需要一些内存。控制台是最简化的实现。
此外，Caret过于庞大、缓慢，而且不会为此道歉。如果机器学习算法很复杂，数据集很大，而且RAM有限，可能会出现问题。
一些减轻负担的方法：
1. 如果数据集中有未使用的变量，请使用您想要的变量子集，然后使用括号中的数据框变量名称在
rm()中清除旧数据集的内存。
2. 删除变量后，运行垃圾回收，它会回收您删除的变量和临时集占用的内存空间。
R没有本地内存清除的方法，因此如果函数没有使用垃圾回收并且您没有这样做，所有以前执行的垃圾都会在内存中持续存在，使生活变得困难。只需在括号中输入
gc()即可完成此操作。同时，在10次机器学习运行之间清除内存和
gc()。如果使用XLConnect导入数据，则java实现非常低效...仅此就足以消耗您的内存，在每次使用
gc()之后使用它。
3. 设置训练、测试和验证集后，将测试和验证文件以csv格式保存在硬盘上，并从内存中删除它们并运行
gc()。在第一个模型之后再次加载它们。
4. 一旦您决定要运行哪些算法，请尝试单独安装其原始软件包而不是运行Caret，按名称
逐个使用
require()并使用
detach(package:packagenamehere)清理每个软件包，然后使用
gc()。
这样做有两个原因：
第一，Caret是其他ML算法的集合，它本质上比它们所有原生环境下都慢。例如：我正在通过Caret运行数据集进行随机森林，在30分钟后，我还没有完成20%。在大约一小时标记处已经崩溃了两次。我加载了原始独立包，在大约4分钟内完成了分析。
第二，如果您需要、分离和垃圾回收，您需要更少的驻留内存来担心拖累您。否则，您同时拥有所有护理函数...这是浪费的。
有一些通用的事情可以使它变得更好，您可能最初不会想到，但可能会有用。根据您的代码，它们可能会或可能不会起作用，或者起作用的程度不同，但请尝试并查看它们可以为您带来什么。
I. 利用词法作用域。在一个干净的 Rstudio 环境中运行整个脚本，并确保所有部分都存在于您的工作空间中，然后清除垃圾。接下来去 knitr 和 rMarkdown，在已有的工作空间中调用这些部分。只要没有在循环内创建并保存到全局环境中，它就可以在 Markdown 下使用。
II. 在 markdown 中设置代码块，以缓存需要多次计算的内容，使它们准备好被调用，而不是多次消耗内存。
如果从数据框中调用变量，在一列中对每个观察值进行简单的乘法操作，并将其保存回原始的同一框架中，可能会产生多达 3 个内存副本。如果文件很大，那就非常占用资源。因此，制作一个干净的拷贝，清除垃圾并缓存纯框架。
直觉上，缓存似乎会浪费内存，并且如果处理不当，确实会浪费。但是，如果您定期从环境中删除不必要的变量并进行垃圾收集，则可能会从策略性缓存中受益。
III. 如果仍然存在性能问题，可以尝试将结果保存在 CSV 文件中并将其发送到硬盘上，根据需要调用它们，以将它们从内存中移出，如果您不需要所有数据。
我非常确定可以设置程序根据需要加载和卸载库、数据和结果。但是老实说，根据我的个人经验，对于大规模多算法处理，最好的方法是远离 Caret。
save保存结果，然后在写作时加载它们。 - lmosaveRDS。虽然它不是最优雅的解决方案，因为它没有检查缓存数据是否需要刷新，但现在它能够正常工作。将来我需要想办法更好地使用缓存/记忆化技术。 - adatum