콘텐츠로 이동

부록 A: optbinning 실무 가이드

Optimal Binning 라이브러리의 내부 동작 원리, 핵심 파라미터, WoE 변환, 다변량 처리까지 — 실무에서 알아야 할 모든 것

이 부록의 위치

Coarse Classing에서 소개한 optbinning의 기초 사용법을 넘어, 내부 최적화 원리와 실무 파라미터 튜닝을 정리한다.

이 부록에서 다루는 내용

섹션 제목 내용
1 최적화 엔진 MIP/CP 문제 정식화, 제약조건, Solver 선택
2 핵심 파라미터 상세 단조성, 샘플 크기, Bin 수, p-value, Special/Missing, 범주형, 정규화
3 Binning Table과 WoE 변환 결과 분석, 사후 검정, WoE/Event Rate/인덱스 변환
4 다변량 처리와 Scorecard BinningProcess 일괄 처리, Scorecard 클래스, 실무 체크리스트

라이브러리 개요와 아키텍처

optbinning은 수학적 최적화(혼합정수계획법 MIP / 제약 프로그래밍 CP)로 binning 문제를 풀어, 단조성·최소 샘플·통계적 유의성 등 여러 제약을 동시에 만족하는 최적 구간을 찾는다.

처리 파이프라인

Pre-binning → 최적화(MIP/CP) → Binning Table → WoE 변환 → (선택) 스코어카드

단계 역할 핵심 클래스
Pre-binning 초기 Fine Bin 생성 (CART, quantile 등) OptimalBinning 내부
최적화 제약조건 하에서 IV 최대화하는 합병 조합 탐색 OptimalBinning
Binning Table 구간별 통계량 출력 (Count, WoE, IV 등) binning_table
WoE 변환 원본 데이터를 WoE 값으로 치환 transform()
다변량 처리 전체 변수 일괄 binning + 변수 선별 BinningProcess
스코어카드 로지스틱 회귀 + 점수 변환 Scorecard

Pre-binning — 초기 구간 생성

최적화 전에 연속형 변수를 초기 Fine Bin으로 나누는 단계다. 이 단계의 품질이 최종 결과에 직접 영향을 미친다.

방식 prebinning_method 원리 특징
CART (기본값) "cart" DecisionTreeClassifier로 정보 이득 기반 분할 타겟 반응률 차이가 큰 지점을 자동 탐지, 가장 적응적
MDLP "mdlp" 최소 기술 길이 원리 기반 엔트로피 분할 이론적으로 정교하나 CART 대비 실무 차이 미미
Quantile "quantile" 등빈도(equal-frequency) 분할 각 구간의 샘플 수 균등, 비지도 방식
Uniform "uniform" 등간격(equal-width) 분할 값 범위 기준 균등 분할, 편향된 분포에 취약 
optb = OptimalBinning(
    name="utilization_rate",
    prebinning_method="cart",   # 기본값, 대부분 이대로 사용
    max_n_prebins=20,           # 초기 Fine Bin 최대 수 (기본 20)
    min_prebin_size=0.05,       # Fine Bin당 최소 샘플 비율
)

Pre-binning 후 정제

Pre-binning 결과에서 순수 Bin(Event=0 또는 Non-event=0)이 발생하면 WoE가 ±∞가 된다. optbinning은 이런 순수 Bin을 인접 Bin과 자동 합병하여 정제한 후 최적화 단계로 넘긴다.

참고 문헌