菜单
【LR评分卡建模】当用户需要"逻辑回归"、"LR建模"、"评分卡"、"scorecard"、"WoE建模"、"跑个LR"时使用。基于 WoE 编码 + Logistic Regression 训练标准评分卡模型，输出系数表、分箱WoE映射、评分卡分数转换。复用平台已有的三段式数据切分、AUC/KS/BCR评估体系、稳定性分析。前提条件：需要已有数据集。**不做超参数调优**；不做特征工程。与 xgb-modeling 的区别：本 Skill 使用逻辑回归+WoE编码，输出可解释的评分卡模型；xgb-modeling 使用 XGBoost 树模型。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
| name | lr-modeling |
| category | 建模训练 |
| description | 【LR评分卡建模】当用户需要"逻辑回归"、"LR建模"、"评分卡"、"scorecard"、"WoE建模"、"跑个LR"时使用。基于 WoE 编码 + Logistic Regression 训练标准评分卡模型，输出系数表、分箱WoE映射、评分卡分数转换。复用平台已有的三段式数据切分、AUC/KS/BCR评估体系、稳定性分析。前提条件：需要已有数据集。**不做超参数调优**；不做特征工程。与 xgb-modeling 的区别：本 Skill 使用逻辑回归+WoE编码，输出可解释的评分卡模型；xgb-modeling 使用 XGBoost 树模型。 |
| next_steps | [{"skill":"lr-tuning","text":"调参优化评分卡","prompt":"帮我调整WoE分箱和正则化参数"},{"skill":"model-comparison","text":"多算法对比","prompt":"与XGBoost和DNN对比一下效果"}] |
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：
| 参数 | 必选 | 默认值 | 说明 |
|---|---|---|---|
--data_path / -d | ✅ | - | 数据文件路径（parquet/csv） |
--target / -t | ✅ | - | 目标变量列名（0/1 二分类） |
--time_col | busi_dt | 时间列名 | |
--train_filter | 自动切分 | 训练集筛选条件（pandas query） | |
--oot_filter | 按时间切出 | OOT 跨时间测试集条件 | |
--oot_ratio | 0.20 | 未传 --oot_filter 时按时间切 OOT 的比例 | |
--val_ratio | 0.25 | 从 train_full 切 val 的比例 | |
--random_seed | 42 | 随机种子 | |
--exclude_cols | - | 排除列，逗号分隔 | |
--features | - | 指定特征列表，逗号分隔；不传则自动按 IV 筛选 | |
--max_n_bins | 8 | WoE 分箱最大箱数 | |
--min_bin_size | 0.05 | 最小分箱比例 | |
--iv_threshold | 0.02 | IV 筛选阈值（低于此值的特征排除） | |
--regularization | l2 | 正则化类型：l1 / l2 / elasticnet | |
--C | 1.0 | 正则化强度（越小正则化越强） | |
--max_iter | 1000 | LR 最大迭代次数 | |
--base_score | 600 | 评分卡基础分 | |
--pdo | 50 | 评分卡 PDO（分数翻倍点） | |
--base_odds | 50.0 | 基础 Odds（好坏比） | |
--model_name | 自动生成 | 模型名称 | |
--report_output | 自动生成 | 报告输出路径 | |
--output_dir | ./outputs/<ts> | 产物输出目录 | |
--config | - | JSON 配置文件路径 |
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
python scripts/modeling.py --data_path ./data.parquet --target y_label --output_dir ./outputs/lr_run
python scripts/modeling.py --data_path ./data.parquet --target y_label \
--features "feat1,feat2,feat3" --output_dir ./outputs/lr_run
python scripts/modeling.py --data_path ./data.parquet --target y_label \
--base_score 650 --pdo 40 --output_dir ./outputs/lr_run
| 维度 | lr-modeling | xgb-modeling | dnn-modeling |
|---|---|---|---|
| 算法 | Logistic Regression | XGBoost | MLP (PyTorch) |
| 特征编码 | WoE 分箱编码 | 原始特征直接输入 | StandardScaler |
| 可解释性 | 白盒（系数 × WoE = 贡献） | 黑盒（需 SHAP 解释） | 弱 |
| 非线性能力 | 弱（仅通过分箱引入） | 强（树结构天然支持） | 强（多层激活） |
| 适用场景 | 评分卡 / 合规 / 白盒 | 高精度 / 特征交互 | 高维复杂交互 |
| 评估体系 | AUC/KS/BCR/PSI | AUC/KS/BCR/PSI | AUC/KS/BCR/PSI |
data-profiling → feature-analysis / univariate-analysis（特征筛选）lr-tuning（调参优化）、model-comparison（多算法对比）xgb-modeling / dnn-modeling 可做横向对比（同数据不同算法）--features 时自动按 IV 筛选（阈值 --iv_threshold）optbinning 做最优分箱，每特征最多 --max_n_bins 箱Score = base_score - factor × ln(odds)，其中 factor = pdo / ln(2)lr-tuning（搜索 WoE 分箱 + LR 正则化参数）<output_dir>/models/理赔核赔全案复审与决策专家。整合全案复审、流程合规检查能力。核查材料齐全性、立案合理性、医审核定准确性、理算计算正确性及作业规范性，综合输出核赔决策（准赔/减赔/拒赔/挂起）。当核赔专员需要对已完成医审和理算的案件进行终审决策、发现疑点需复核时触发。适用于核赔岗全案审核、赔付决策、案件质检场景。触发词：全案复审、怎么判、审核结论汇总。
理赔理算校验与调度专家。对进入理算环节的案件进行准入审查和数据完整性校验，确认理算前置条件满足后，通过MCP调用理算引擎完成实际金额计算，输出标准化理算书。当案件完成医审和责任认定后进入理算环节、需要计算应赔金额、生成理算书时触发。适用于理赔理算前置校验、理算参数校验、理算书生成场景。触发词：赔多少、理算、赔付金额。
"理赔报案受理与案件登记专家。整合报案信息结构化提取、保单状态核验、重复报案检测能力，提取出险时间、事故经过、伤亡情况、保单信息等关键要素，生成标准化报案记录并分配案件编号。当客户拨打报案电话、提交报案申请或上传报案材料时触发。适用于理赔受理岗报案登记、报案信息结构化录入、案件初始档案建立场景。触发词："报案登记"、"案件登记"、"报案受理"、"录入案件"。 触发词：理赔报案、案件录入、重复报案。"
"保险理赔材料智能分析工具。整合材料分类、OCR提取、完整性检查、单证审核、一致性校验、发票交叉验证、病程时间线梳理能力。采用前置解析+按需复用架构，基于多模态大模型对理赔图片文档进行全链路分析，输出标准化目录结构、病程摘要和审计报告。当用户需要对理赔材料、保险单证、医疗票据进行分类整理，或提及理赔材料分类、保险文档归档、医疗发票识别、材料审核、病程时间线时使用。触发词："理赔材料分类"、"材料完整性检查"、"材料一致性校验"、"理赔交叉验证"、"材料全量审核"、"病程时间线"。 触发词：理赔材料、材料齐不齐、病程时间线。"
对理赔案件进行多维度欺诈风险检测，综合分析材料一致性、行为模式、历史记录等信息，计算欺诈风险评分，识别虚假理赔、骗保欺诈等可疑信号。当需要评估理赔案件欺诈风险、识别可疑骗保行为、对高风险案件进行预警时触发。适用于理赔欺诈筛查、可疑案件调查决策、反欺诈合规管理场景。触发词：欺诈风险、骗保嫌疑、欺诈评分。
理赔结案通知与客户沟通专家。生成标准化的理赔通知书（赔付/拒赔/补件），并配套口头沟通话术与情绪安抚指导，确保书面函件合规、口头沟通专业。当需要出具理赔结果通知、生成拒赔说明书、通知客户补充材料、告知赔付金额，或需要与客户进行拒赔解释、情绪安抚时触发。适用于理赔结案通知生成、拒赔函件起草、补件通知书制作、客户沟通话术辅助场景。触发词：结案通知、通知客户、理赔通知书。