Evolução após v1.0.0

O que mudou desde v1.0.0

Depois de v1.0.0, o RiskBands passou por quatro movimentos importantes:

1. amadureceu a camada de score
2. deixou a API pública mais amigável
3. ganhou uma camada real de auditoria e export
4. fortaleceu a documentação e o fluxo público de release

O objetivo dessas mudanças foi simples: facilitar onboarding, governança e interpretação sem perder profundidade técnica.

v1.1.0: objective temporal auditável

O projeto passou a expor um objective temporal mais explicável, com:

• componentes normalizados
• pesos configuráveis
• shrink de WoE
• integração consistente com Binner, BinComparator e Optuna

Hoje, essa estratégia pública aparece como score_strategy="stable".

v1.2.0: ergonomia no estilo sklearn e pandas

O Binner ficou mais natural para quem já usa bibliotecas maduras de Python.

Exemplos do que ficou mais fácil:

• fit(df, y="target", column="score")
• transform(df) ou transform(df["score"])
• fit_transform(...)
• summary(), report(), score_details() e diagnostics()
• get_params() e set_params(...)

v2.0.0 a v2.0.2: consolidação pública

Nessa etapa, o foco passou a ser clareza para usuário novo e consistência de release.

Principais pontos:

• o nome público antigo generalization_v1 saiu de cena
• stable passou a ser o único nome público correto para a estratégia temporal
• docs-site reorganizado com páginas de primeiros passos, score, outputs e Optuna
• exemplos e notebooks atualizados para refletir a API atual
• patch posterior para garantir que riskbands.__version__ reflita a versão correta fora do repositório

v2.0.2: auditoria e visualização maduras

Nesta release, o projeto ganhou uma camada mais forte para inspeção e governança:

• export_binnings_json(...) para gerar um JSON único e legível
• export_bundle(...) para produzir um pacote completo de auditoria
• score_table() e audit_table() para notebook e revisão técnica
• plots públicos para bad rate, heatmap, share temporal e score components
• metadata pós-fit com pesos do score e contexto efetivo do fit
• correção do alinhamento temporal da estratégia supervisionada

O que usar hoje

Se você estiver chegando agora ao projeto, o caminho recomendado é:

1. instalar a biblioteca
2. seguir o Quickstart
3. usar score_strategy="stable" quando quiser equilíbrio entre separação e robustez temporal
4. abrir Auditoria e plots e Outputs e diagnóstico para aprender a ler o resultado

O que permaneceu estável

Apesar da evolução, a direção do projeto continua a mesma:

• foco em binning, não em pipeline completo de PD
• leitura por safra e robustez temporal
• comparação auditável entre candidatos
• integração opcional com Optuna, sem acoplar o score a ele