如果您正在谈论的“算法”是神经网络，那么您可以将学习到的参数/权重分配给任何想要使用它的人。这就是神经网络通常“导出”的方式：没有用于创建它们的所有训练数据。实际上，这是通过多种模型（参数化模型）完成的。

为了“解码”模型，用户只需要知道它的结构。在神经网络的情况下，他们需要知道每一层的大小、使用了哪些激活函数等。

然而，这对于每种类型的 ML 模型都是不可能的。具体来说，非参数模型和“惰性”模型在推理时使用训练数据。如果没有他们的训练数据，它们就不会有用。例如，通过查找输入的k 个最近邻来对输入进行分类需要训练数据。

是的，一旦你训练了一个模型，你就会在你的工作区中获得该模型的详细信息。

例如

B_Naive = naiveBayes(train_set[,-c(1)],train_set[,1]);

会给你一个可以“导出”的对象 B_naive。这些是模型的参数，您仍然需要朴素贝叶斯库（或任何库）。