lr-modeling

LR 评分卡建模 (portable)

基于 WoE (Weight of Evidence) 编码 + Logistic Regression 进行二分类评分卡建模。

核心流程：原始特征 → WoE 最优分箱编码 → LR 训练 → 评分卡转换

适用场景：

• 风控评分卡开发（标准 A/B/C 卡）
• 需要强可解释性的业务场景
• 监管合规要求模型白盒化

---

参数说明

---

执行方式

python scripts/modeling.py \
  --data_path ./data.parquet --target y_label \
  --time_col busi_dt \
  --exclude_cols "cust_code,busi_dt" \
  --output_dir ./outputs/lr_run

指定特征建模：

python scripts/modeling.py \
  --data_path ./data.parquet --target y_label \
  --features "feat1,feat2,feat3,feat4" \
  --regularization l1 --C 0.5 \
  --output_dir ./outputs/lr_run

---

常用场景

场景一：默认参数快速建模

python scripts/modeling.py --data_path ./data.parquet --target y_label --output_dir ./outputs/lr_run

场景二：指定特征建模

python scripts/modeling.py --data_path ./data.parquet --target y_label \
  --features "feat1,feat2,feat3" --output_dir ./outputs/lr_run

场景三：自定义评分卡参数

python scripts/modeling.py --data_path ./data.parquet --target y_label \
  --base_score 650 --pdo 40 --output_dir ./outputs/lr_run

---

输出产物

1. 建模报告（Markdown）— 含数据切分、WoE分箱表、LR系数表、评分卡转换表、三段式评估指标、稳定性分析
2. 模型文件（joblib）— LR 模型 + WoE 编码器序列化
3. 评分卡表（JSON）— 可直接用于部署的分箱-分数映射
4. result.json — 结构化产物清单

---

与其他建模 Skill 的对比

---

上下游关系

• 前置：data-profiling → feature-analysis / univariate-analysis（特征筛选）
• 后续：lr-tuning（调参优化）、model-comparison（多算法对比）
• 平行：与 xgb-modeling / dnn-modeling 可做横向对比（同数据不同算法）

---

注意事项

1. 目标变量：必须为 0/1 二分类
2. 时间切分：建议按时间切分，确保 OOT 为未来数据
3. 特征筛选：不传 --features 时自动按 IV 筛选（阈值 --iv_threshold）
4. WoE 分箱：使用 optbinning 做最优分箱，每特征最多 --max_n_bins 箱
5. 评分卡公式：Score = base_score - factor × ln(odds)，其中 factor = pdo / ln(2)
6. 不提供调参：需要调参请切 lr-tuning（搜索 WoE 分箱 + LR 正则化参数）
7. 模型保存：模型和评分卡保存到 <output_dir>/models/