mlr comparado ao sinal de intercalação

Eu tenho usado um pouco o mlr para aprender sobre aprendizado de máquina, mas descobri recentemente sobre o sinal de intercalação.

Pelo que entendi, ambos são invólucros para vários pacotes de ML, mas têm abordagens ligeiramente diferentes. Embora o mlr pareça envolver também algumas coisas do sinal de intercalação - talvez possamos considerar o mlr um superconjunto de sinais de intercalação.

Tenho a intenção de ficar com o mlr por esse motivo, para evitar ter que mudar ou aprender os dois. Mas também ouvi dizer que o autor do acento circunflexo se juntou às pessoas arrumadas - então talvez isso se torne o padrão de fato agora.

Obviamente, usei o mlr e li um pouco sobre o sinal de intercalação, mas, devido à minha relativa falta de experiência em ML, não me sinto particularmente qualificado para fazer uma avaliação instruída dos dois.

Quaisquer pontos de vista sobre os prós / contras dos dois pacotes, que abrangem mais coisas, que têm uma abordagem mais simplificada, que é mais flexível, quaisquer outros comentários etc etc?

Edit: desculpas por não postar isso na ciência de dados, que parece bastante dominado pelo Python (sem tags mlr ou caret). Talvez o stackoverflow seja melhor, mas estou bastante interessado na estatística ver quem os usa.

Eu uso o sinal de intercalação há muito tempo e adoro isso. Eu só descobri o mlr hoje e passei a maior parte do dia aprendendo a usá-lo. Descobri o mlr porque estava procurando uma maneira de produzir um gráfico de dependência parcial de importâncias variáveis ​​de modelos florestais aleatórios.

Após um dia de experiência, estou realmente inclinado a mudar para mlr! Então, eu diria que fique com o mlr, a menos que você tenha uma razão convincente para dedicar tempo e energia ao aprendizado do cursor.