Разница между моделью и $ FinalModel для классификации в R?

В настоящее время есть эта модель случайного леса, просто посмотрите, насколько хорошо она предсказывает людей с диабетом положительным или отрицательным диабетом.

Модель рассчитывается с использованием рабочего процесса каретки

когда я смотрел на важность переменной, мне сказали использовать код randomForest::importance(model$finalModel)

какова цель $ finalModel? что такое $ finalModel по сравнению с исходной моделью? Разве это не должно быть просто исходная модель, переданная в качестве аргумента, вместо того, чтобы просматривать важность переменной?

пример ниже:

library(tidyverse)
library(mlbench)
library(caret)
library(car)
library(glmnet)
library(rpart.plot)
library(rpart)

data("PimaIndiansDiabetes2")

PimaIndiansDiabetes2 <- na.omit(PimaIndiansDiabetes2)

set.seed(123)

training.samples <- PimaIndiansDiabetes2$diabetes %>% createDataPartition(p = 0.8, list = FALSE)

train.data <- PimaIndiansDiabetes2[training.samples,]

test.data <- PimaIndiansDiabetes2[-training.samples,]


model_rf <- caret::train(
  diabetes ~., 
  data = train.data, 
  method = "rf", 
  trControl = trainControl("cv", number = 10), 
  importance = TRUE)


model_rf

model_rf$bestTune

model_rf$finalModel

# variable importance here 

importance(model_rf$finalModel)