用途：面向LR评分卡场景的参数调优入口，基于 _vendor/tuning/lr_engine.LRTuningEngine，将WoE分箱参数与LR正则化参数联合搜索，避免分开调参导致组合非最优。前置条件：需先用 lr-modeling 训练出基线模型。
主要能力：调优流程为基线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。搜索空间：max_n_bins（int，3-15）、iv_threshold（float log，0.005-0.10）、C（float log，0.01-100）、regularization（l1/l2/elasticnet）。诊断驱动策略：过拟合时收紧C、抬高iv_threshold、减少分箱；欠拟合时放松C、降低iv_threshold、增大分箱；拟合良好则微调。收敛判定为连续2轮OOT指标提升小于0.001即停止，默认最多5轮。
使用方式：交互式单轮执行 python scripts/tuner.py --data_path ./data.parquet --target y_label --round 1 --output_dir ./outputs/lr_tuning；AUTO模式加 --auto --max_rounds 5。常用参数包括 --features、--time_col（默认busi_dt）、--train_filter、--val_filter、--oot_filter、--oot_ratio（0.20）、--val_ratio（0.25）、--random_seed（42）、--metric（默认auc）、--config等。每轮输出参数变化、效果对比、诊断结论与下一步建议，产物保存到 output_dir 下的 models/ 与报告目录。
适用场景：LR评分卡调参、调整分箱数、调整C值、LR过拟合诊断等。限制：目标变量必须为0/1二分类；需先有基线模型；其余平台、收费与效果信息暂未提供。