用途：基于 WoE（Weight of Evidence）编码 + Logistic Regression 进行二分类评分卡建模，流程为原始特征→WoE 最优分箱编码→LR 训练→评分卡转换。适用于风控评分卡开发（标准 A/B/C 卡）、需要强可解释性的业务场景、监管合规要求模型白盒化。
主要能力：自动按 IV 筛选特征（阈值 --iv_threshold，默认 0.02），使用 optbinning 做最优分箱（每特征最多 --max_n_bins，默认 8 箱，最小分箱比例 --min_bin_size 默认 0.05）；支持 l1/l2/elasticnet 正则化与强度 --C；支持三段式数据切分（train/val/OOT，--oot_ratio 默认 0.20、--val_ratio 默认 0.25、--random_seed 默认 42）；评分卡参数可配 --base_score（默认 600）、--pdo（默认 50）、--base_odds（默认 50.0），公式为 Score = base_score - factor × ln(odds)，factor = pdo / ln(2)。输出建模报告（Markdown，含数据切分、WoE 分箱表、LR 系数表、评分卡转换表、三段式评估指标与稳定性分析）、模型文件（joblib，LR 模型 + WoE 编码器）、评分卡表（JSON）与 result.json，保存到 <output_dir>/models/。
使用方式：执行 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；可加 --features "feat1,feat2,feat3" 指定特征，或加 --regularization l1 --C 0.5、--base_score 650 --pdo 40 等参数；也支持 --config 传入 JSON 配置文件。
限制：目标变量必须为 0/1 二分类；建议按时间切分确保 OOT 为未来数据；本技能不提供调参，需调参请使用 lr-tuning；非线性能力弱，仅通过分箱引入。上下游：前置 data-profiling、feature-analysis/univariate-analysis，后续 lr-tuning、model-comparison，可与 xgb-modeling、dnn-modeling 横向对比。