菜单
【LR评分卡调参】当用户说"LR调参"、"评分卡调优"、"调整分箱数"、"调整C值"、"LR过拟合"时使用。基于 Optuna TPE 贝叶斯优化，联合搜索 WoE 分箱参数（max_n_bins、iv_threshold）和 LR 模型参数（C、regularization），诊断驱动约束搜索空间。前置条件：需先用 lr-modeling 训练出基线模型。
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-tuning |
| category | 调参优化 |
| description | 【LR评分卡调参】当用户说"LR调参"、"评分卡调优"、"调整分箱数"、"调整C值"、"LR过拟合"时使用。基于 Optuna TPE 贝叶斯优化，联合搜索 WoE 分箱参数（max_n_bins、iv_threshold）和 LR 模型参数（C、regularization），诊断驱动约束搜索空间。前置条件：需先用 lr-modeling 训练出基线模型。 |
| next_steps | [{"skill":"model-comparison","text":"多算法对比评估","prompt":"与XGBoost和DNN对比一下效果"}] |
LR 评分卡调参的唯一入口，基于 _vendor/tuning/lr_engine.LRTuningEngine。
核心设计：WoE 分箱参数与 LR 正则化参数联合搜索，确保最优组合。
基线 LR 模型 → 诊断分析(过拟合/欠拟合) → 约束空间构造 → Optuna 搜索 → 最优参数 → 迭代
| 模式 | 触发条件 | 行为 |
|---|---|---|
| 交互式（默认） | 用户说"调参"/"帮我调一下LR" | 每轮暂停等待用户反馈 |
| AUTO | 用户说"自动调优"/"帮我调到最优" | Agent 自动迭代直到收敛 |
| 参数 | 必选 | 默认值 | 说明 |
|---|---|---|---|
--data_path / -d | ✅ | - | 数据文件路径 |
--target / -t | ✅ | - | 目标变量列名 |
--features | 自动推断 | 特征列表，逗号分隔 | |
--time_col | busi_dt | 时间列名 | |
--train_filter | 自动切分 | 训练集筛选条件 | |
--val_filter | val_ratio 切出 | 验证集筛选条件 | |
--oot_filter | 按时间切出 | OOT 条件 | |
--oot_ratio | 0.20 | OOT 占比 | |
--val_ratio | 0.25 | Val 占比 | |
--random_seed | 42 | 随机种子 | |
--exclude_cols | - | 排除列 | |
--max_n_bins | 8 | 当前 WoE 分箱数 | |
--iv_threshold | 0.02 | 当前 IV 阈值 | |
--C | 1.0 | 当前正则化强度倒数 | |
--regularization | l2 | 正则化类型 | |
--round / -r | 0 | 当前轮次 | |
--max_rounds | 5 | 最大调优轮数 | |
--auto | - | 自动调优模式（flag） | |
--metric | auc | 评估指标 | |
--model_name | 自动生成 | 模型名称 | |
--output_dir | ./outputs/<ts> | 产物输出目录 | |
--config | - | JSON 配置路径 |
| 参数 | 类型 | 范围 | 说明 |
|---|---|---|---|
| max_n_bins | int | 3-15 | WoE 分箱数（越大越精细） |
| iv_threshold | float(log) | 0.005-0.10 | IV 筛选阈值（越低入模特征越多） |
| C | float(log) | 0.01-100 | 正则化强度倒数（越大正则化越弱） |
| regularization | categorical | l1/l2/elasticnet | 正则化类型 |
| 诊断 | C | iv_threshold | max_n_bins |
|---|---|---|---|
| 过拟合 | ↓ 收紧 | ↑ 抬高（减少特征） | ↓ 减少 |
| 欠拟合 | ↑ 放松 | ↓ 降低（更多特征） | ↑ 增大 |
| 拟合良好 | ±微调 | ±微调 | ±微调 |
python scripts/tuner.py \
--data_path ./data.parquet --target y_label \
--round 1 --output_dir ./outputs/lr_tuning
python scripts/tuner.py \
--data_path ./data.parquet --target y_label \
--auto --max_rounds 5 --output_dir ./outputs/lr_tuning
适用条件：Train-OOT Gap > 0.05
调整方向：
C: 当前值 × 0.5（收紧正则化）iv_threshold: 当前值 × 1.5（减少入模特征）max_n_bins: 当前值 - 1（降低分箱精细度）适用条件：OOT AUC < 0.58 且 Gap < 0.03
调整方向：
C: 当前值 × 2（放松正则化）iv_threshold: 当前值 × 0.5（增加入模特征）max_n_bins: 当前值 + 2（提升分箱精细度）适用条件：Gap ∈ [0.03, 0.05]，模型状态良好
调整方向：
C: 小幅调整 ±20%max_n_bins: 微调 ±1条件：连续2轮 OOT 指标提升 < 0.001
行为：停止调优，输出最终结果
每轮调优结束后，必须输出以下结构化信息：
### 第 N 轮 LR 调优结果
**参数变化**:
| 参数 | 上一轮 | 本轮 | 调整原因 |
|------|-------|------|----------|
| C | 1.0 | 0.5 | 收紧正则化 |
| iv_threshold | 0.02 | 0.03 | 减少入模特征 |
| max_n_bins | 8 | 6 | 降低过拟合 |
**效果对比**:
| 指标 | 上一轮 | 本轮 | 变化 |
|------|-------|------|------|
| OOT AUC | 0.72 | 0.73 | +0.01 ✓ |
| OOT KS | 0.17 | 0.18 | +0.01 ✓ |
| Gap | 0.06 | 0.04 | -0.02 ✓ |
**诊断结论**: 轻微过拟合（Gap 下降但仍 > 0.03）
**下一步建议**: 可继续微调 C 值，或接受当前结果
| 技能 | 职责 | 关系 |
|---|---|---|
lr-modeling | 基线建模 | 前置：需先用其训练出基线模型 |
model-comparison | 多算法对比 | 后续：可与 XGB/DNN 做公平对比 |
xgb-tuning | XGBoost 调参 | 平行：同数据不同算法的调参 |
<output_dir>/models/ 和 <output_dir>/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。