要比较caret模型对象的最佳函数，可以使用caret包中的resamples函数和summary函数。

首先，使用train函数或其他caret模型训练函数来训练不同的模型，并将其保存为模型对象。

接下来，使用resamples函数将模型对象转换为resamples对象。resamples对象是一个用于存储模型交叉验证结果的数据结构。

然后，使用summary函数来比较模型对象的性能指标。summary函数将返回一个包含模型对象的评估指标的数据框。

下面是一个示例代码，演示如何比较caret模型对象的最佳函数：

# 导入所需的包
library(caret)

# 创建数据集
data(iris)

# 划分数据集为训练集和测试集
trainIndex <- createDataPartition(iris$Species, p = .8, list = FALSE)
trainData <- iris[trainIndex, ]
testData <- iris[-trainIndex, ]

# 使用train函数训练模型
model1 <- train(Species ~ ., data = trainData, method = "lda")
model2 <- train(Species ~ ., data = trainData, method = "qda")
model3 <- train(Species ~ ., data = trainData, method = "rf")

# 将模型对象转换为resamples对象
resamples <- resamples(list(model1 = model1, model2 = model2, model3 = model3))

# 比较模型对象的性能指标
summary(resamples)

这段代码使用iris数据集，将其划分为80%的训练集和20%的测试集。然后，使用train函数分别训练了3个模型：线性判别分析（LDA），二次判别分析（QDA）和随机森林（RF）。接下来，使用resamples函数将模型对象转换为resamples对象，并使用summary函数比较模型对象的性能指标。

请注意，上述代码中的模型选择和数据集的划分只是示例。在实际应用中，您可以根据自己的需求选择适当的模型和数据集。