用途：DNN 调参的唯一入口，基于 _vendor/tuning/dnn_engine.DNNTuningEngine，用于调整网络结构（层数、宽度、dropout）与训练参数（learning_rate、weight_decay、batch_size）。前置需先用 dnn-modeling 训练基线模型。
主要能力：基于 Optuna TPE 贝叶斯优化；搜索期间缩减 epochs 加速（search_epochs=30，最终训练 epochs=100）；诊断驱动动态约束搜索空间。搜索空间：n_layers 2-4、layer_width 32-256、dropout 0.1-0.5、learning_rate 1e-4~0.01（log）、weight_decay 1e-5~1e-3（log）、batch_size 128/256/512/1024。
使用方式：交互式（默认，每轮暂停等待反馈）与 AUTO（自动迭代至收敛）。示例： python scripts/tuner.py --data_path ./data.parquet --target y_label --round 1 --output_dir ./outputs/dnn_tuning python scripts/tuner.py --data_path ./data.parquet --target y_label --auto --max_rounds 5 --output_dir ./outputs/dnn_tuning 必选参数为 --data_path/-d 与 --target/-t，其余含默认值。
诊断策略：过拟合（Gap>0.05）抬高 dropout、增强 weight_decay、减少层数、缩小宽度；欠拟合（Val AUC<0.58 且 Gap<0.03）增加层数/宽度、减弱正则、提高学习率；拟合良好则微调；连续2轮提升<0.001 判定收敛。
适用场景：0/1 二分类 DNN 调优，可与 xgb-tuning 平行、与 model-comparison 后续对比。
限制：目标变量必须为 0/1 二分类；默认最多 5 轮；产物保存至 <output_dir>/models/ 与 <output_dir>/。