xgb-tuning

What problem does it solve?

帮你在 XGBoost 基线模型基础上，针对过拟合或欠拟合进行有方向性的超参数调优，并通过诊断报告让你掌控每一轮迭代是否值得继续。

Core Features & Use Cases

• XGBoost 超参数的唯一调优入口：当用户需要“帮我调参/优化模型/处理过拟合”时，提供结构化调优流程与参数建议。
• 诊断驱动的约束式搜索：基于过拟合/欠拟合判定收紧或抬高搜索空间，用 Optuna TPE 进行贝叶斯优化（并输出每轮诊断报告以供确认）。
• 金融风控友好策略：围绕 Gap 与 KS/AUC 等指标提供终止条件、模式切换（交互式/AUTO）以及“只调超参数、不做特征探索”的边界约束。
• 强制前置条件：需要先用 xgb-modeling 训练出基线模型，避免在缺少基线的情况下盲目调参。

Quick Start

Ask the AI to tune the XGBoost hyperparameters for your binary classification dataset using the prepared baseline model, with inputs provided as --data_path, --target, and --features, and to run one diagnostic-guided tuning round in interactive mode for approval.