用途：基于 XGBoost 进行二分类建模，适用于训练基线模型、对比特征方案、预测与查看 AUC/KS/BCR 等指标。核心流程为数据加载→特征筛选（四大算子）→多方案对比→最优方案训练→三段式评估→稳定性分析→报告生成。调参需改用 xgb-tuning。
主要能力：自动特征筛选（full/decorr/high_iv/stable 四套方案全量对比）；多特征方案对比；AUC/KS/Gini、BCR@Top5/10/20/30%、Brier Score 与校准曲线；按月 AUC/KS 含 95% Bootstrap 置信区间、Mann-Kendall 趋势检验、分数 PSI；样本策略支持 auto_weight/undersample/none。
使用方式：必选参数为 --data_path/-d 与 --target/-t（0/1 二分类）。示例：python scripts/modeling.py --data_path ./examples/toy.parquet --target y_label --time_col busi_dt --output_dir ./outputs/run1。指定特征用 --features "feat1,feat2,feat3"；单套筛选方案用 --feature_scheme decorr；复杂多方案 feature_sets 建议通过 --config config.json 传入，避免命令行拼转义 JSON。执行后在 output_dir 生成报告 md、模型 json、meta、ModelCard 与 result.json，stdout 末行打印 result.json 绝对路径。下游 model-explanation 可用 jq 从 result.json 提取 role=model 的路径传入 --model_path。
适用场景：需要快速建立 XGBoost 基线、横向比较特征方案、评估模型区分度与稳定性、输出建模报告的场景。
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；自动特征筛选需数据满足 IV、PSI、缺失率条件；正样本率低于 2% 建议 undersample；Bootstrap CI 需样本量不少于 100；本技能不提供调参。依赖见 requirements.txt（核心 xgboost、scikit-learn、optbinning）。