guillermo-navas-palencia/optbinning

解決的問題

OptBinning 提供嚴謹的數學方法來解決「最佳分箱」問題。它協助資料科學家將連續變數離散化為分箱，以最大化與目標變數（二元、連續或多類）的關係，同時遵守特定約束，這是建立可解釋模型（如評分卡）的關鍵步驟。

工作原理

該庫使用數學規劃公式（包括限制規劃求解器）來尋找變數的最佳分割點。支援一維與二維分箱，並可處理多種目標類型。分箱後，可將資料轉換為權重（WoE）或事件率等指標。它還與估計器整合，用於建立評分卡，其中分箱變數根據其對目標預測的貢獻分配分數。

適用對象

專為資料科學家與機器學習工程師設計，特別適用於信用評分或其他受監管產業，這些產業要求模型具備可解釋性、單調性以及嚴格的特徵工程。

主要亮點

• 靈活的目標支援：支援二元、連續與多類目標。
• 高階分箱功能：支援一維與二維最佳分箱，以及分段分箱。
• 評分卡整合：可建立完整的評分卡，支援縮放與分數分配。
• 特殊處理能力：支援串流資料、批次處理，以及遺失值或特殊值的處理。
• 可解釋性工具：提供詳細的分箱表、統計分析（基尼係數、IV、JS散度）與反事實解釋。