Optuna

Com e sem Optuna

O RiskBands funciona bem nos dois modos:

• sem Optuna
• com Optuna

A lógica de score é a mesma. O que muda com Optuna é o uso de uma busca externa para encontrar configurações melhores de binning.

Quando faz sentido não usar

Comece sem Optuna quando:

• você está explorando a API
• quer um fluxo curto e previsível
• já tem uma ideia razoável da configuração
• o custo computacional precisa ser baixo

Esse costuma ser o melhor ponto de partida para onboarding.

Quando faz sentido usar

Considere Optuna quando:

• você está comparando várias configurações supervisionadas
• quer explorar trade-offs com menos tentativa manual
• o dataset e o problema justificam uma busca extra
• você quer usar o mesmo objective stable em uma busca mais ampla

Como ele se encaixa no fluxo

from riskbands import Binner

binner = Binner(
    strategy="supervised",
    use_optuna=True,
    score_strategy="stable",
    strategy_kwargs={"n_trials": 20},
    check_stability=True,
)

binner.fit(df, y="target", column="score", time_col="month")

O que continua igual

Mesmo com Optuna:

• score_strategy continua valendo
• normalization_strategy continua valendo
• woe_shrinkage_strength continua valendo
• o objective continua o mesmo dentro e fora da busca

Isso evita uma separação artificial entre “score do fluxo normal” e “score do fluxo com otimização”.

Trade-off de custo

Vale pensar em três perguntas:

1. O ganho potencial justifica o custo extra?
2. O problema é sensível o suficiente para se beneficiar da busca?
3. Você está em uma etapa exploratória ou em uma etapa de consolidação?

Se a resposta ainda não estiver clara, comece sem Optuna e ligue depois.

O que olhar no resultado

Depois do fit, continue usando a mesma camada de inspeção:

• summary()
• score_details()
• report()
• diagnostics()
• best_params_ quando use_optuna=True