guillermo-navas-palencia/optbinning

解决的问题

OptBinning 提供了一种严谨的数学方法来解决「最优分箱」问题。它帮助数据科学家将连续变量离散化为分箱，以最大化与目标变量（二元、连续或多元）的关系，同时遵守特定约束，这是构建可解释模型（如评分卡）的关键步骤。

工作原理

该库使用数学规划公式（包括约束规划求解器）来寻找变量的最佳分割点。它支持一维和二维分箱，并可处理多种目标类型。分箱后，可将数据转换为权重（WoE）或事件率等指标。它还与估计器集成，用于创建评分卡，其中分箱变量根据其对目标预测的贡献分配分数。

适用人群

专为数据科学家和机器学习工程师设计，尤其适用于信用评分或其他监管行业，这些行业要求模型具备可解释性、单调性以及严格的特征工程。

主要亮点

• 灵活的目标支持：支持二元、连续和多类目标。
• 高级分箱功能：支持一维和二维最优分箱，以及分段分箱。
• 评分卡集成：可构建完整的评分卡，支持缩放和分数分配。
• 特殊处理能力：支持流式数据、批量处理，以及缺失值或特殊值的处理。
• 可解释性工具：提供详细的分箱表、统计分析（基尼系数、IV、JS散度）和反事实解释。