Modeling / Pipeline¶

快速迭代模块

Modeling 建模和 Pipeline 编排仍在快速迭代中，接口约定、结果对象和调参参数后续可能发生较大变化。生产流程建议固定版本，并在升级前检查返回对象和字段名称。

能力索引¶

能力	主要入口	说明
Pipeline 编排	`MarsModelingPipeline` / `MarsSelectionStep` / `MarsWOEBinningStep` / `MarsModelingStep`	串联多层筛选、可选 WOE 分箱和最终建模
样本切分	`MarsModelingSession.slice` / `MarsModelDataSplitter`	按时间严格切分 train/val/oot，或为长短 y 生成独立切片列
模型调参	`MarsModelingSession.tune` / `MarsModelTuner.tune`	支持 XGBoost、LightGBM、CatBoost、Logistic Regression
指标体系	`optimize_metric` / `custom_metrics`	内置 `auc`、`ks`、`f1`，支持自定义 metric 和 maximize/minimize
调参产物	`artifact_dir`	每次调参生成独立目录；`artifact_dir=None` 表示完全不落盘
模型保留	`keep_top_n_models`	调参过程中动态保留当前最优 N 个有效 trial 模型
Replay	`MarsModelReplayRunner.replay`	支持 Top-K replay，也支持 `trial_nums=[...]` 指定编号 replay
特征重要性	`importance_methods`	默认 native importance，显式请求可计算 SHAP importance
多口径评估	`benchmark_cols` / `aux_targets` / `target_group_cols`	多 benchmark、多辅助 target 和长短 y 独立评估
PSI 口径	`psi_include_missing`	建模评估复用分箱评估器计算 Score/Feature PSI，只控制缺失箱是否纳入

Pipeline 编排¶

mars.pipeline.MarsModelingPipeline ¶

串联特征筛选、可选 WOE 分箱和 Modeling 建模的高层 Pipeline 编排器。

Pipeline 面向风控建模宽表场景，默认保持树模型链路简单：先筛选特征，再进入建模。 LR 或评分卡链路可以显式加入 MarsWOEBinningStep，把原始特征转换为 *_woe 后再筛选或建模。该类不是 sklearn Pipeline 的严格子类，但保留熟悉的 fit、transform 和 predict 调用方式。

示例：

>>> from mars.feature import MarsStatsSelector
>>> pipeline = MarsModelingPipeline(
...     target="target",
...     features=["age"],
...     steps=[MarsSelectionStep(name="stats", selector=MarsStatsSelector(skip_fine_scan=True))],
... )
>>> pipeline.features
['age']

init ¶

__init__(*, target: str, features: Sequence[str], steps: Sequence[MarsPipelineStep]) -> None

初始化建模编排器并校验 step 拓扑。

参数：

名称	类型	描述	默认
`target`	`str`	建模主目标列。	必需
`features`	`Sequence[str]`	初始候选特征列。	必需
`steps`	`Sequence[MarsPipelineStep]`	按顺序执行的 step 列表。`MarsSelectionStep` 可出现多次； `MarsModelingStep` 最多出现一次且必须放在最后。	必需

fit ¶

fit(df: FrameLike) -> MarsPipelineResult

按 step 顺序拟合 Pipeline 并返回结构化结果。

参数：

名称	类型	描述	默认
`df`	`FrameLike`	包含特征、目标列以及可选切片列的建模样本。	必需

返回：

类型	描述
`MarsPipelineResult`	Pipeline 执行结果，包含最终特征、每步报告和建模调参结果。

transform ¶

transform(df: FrameLike) -> FrameLike

使用已拟合的分箱和筛选步骤转换样本。

参数：

名称	类型	描述	默认
`df`	`FrameLike`	待转换样本。	必需

返回：

类型	描述
`DataFrame or DataFrame`	保留原始上下文列，并追加已拟合 WOE 特征后的样本。返回类型尽量与输入一致。

predict ¶

predict(df: FrameLike, *, pred_col: str = 'pred_score', inplace: bool = False) -> FrameLike

对新样本执行 Pipeline 转换并追加模型预测分。

参数：

名称	类型	描述	默认
`df`	`FrameLike`	待打分样本。	必需
`pred_col`	`str`	预测分列名。	`'pred_score'`
`inplace`	`bool`	当输入为 Pandas DataFrame 时，是否允许在输入对象上原地写入预测列。	`False`

返回：

类型	描述
`DataFrame or DataFrame`	追加预测分后的样本。

引发：

类型	描述
`RuntimeError`	Pipeline 尚未拟合或没有 modeling step 时抛出。

mars.pipeline.MarsPipelineStep ¶

Bases: ABC

Pipeline step 抽象基类。

子类负责管理自身的 fit_transform 和 transform 生命周期；Pipeline 主类只负责调度、拓扑校验和最终结果组装。

init ¶

__init__(name: str) -> None

初始化 step 名称。

参数：

名称	类型	描述	默认
`name`	`str`	step 唯一名称。	必需

fit_transform `abstractmethod` ¶

fit_transform(df: DataFrame, *, target: str, active_features: Sequence[str], pipeline_state: MutableMapping[str, Any]) -> tuple[pl.DataFrame, list[str], MarsStepResult]

拟合当前 step，并返回转换后的数据、active features 和 step 结果。

参数：

名称	类型	描述	默认
`df`	`DataFrame`	当前 Pipeline 工作表。	必需
`target`	`str`	建模主目标列。	必需
`active_features`	`Sequence[str]`	当前 step 可消费的特征列。	必需
`pipeline_state`	`MutableMapping[str, Any]`	Pipeline 级可变状态，例如特征映射和是否已执行 WOE step。	必需

返回：

类型	描述
`tuple of polars.DataFrame, list of str, MarsStepResult`	转换后的工作表、更新后的 active features 和 step 结果。

transform `abstractmethod` ¶

transform(df: DataFrame, *, active_features: Sequence[str], pipeline_state: MutableMapping[str, Any]) -> tuple[pl.DataFrame, list[str]]

使用已拟合状态转换新样本。

参数：

名称	类型	描述	默认
`df`	`DataFrame`	当前 Pipeline 工作表。	必需
`active_features`	`Sequence[str]`	当前 step 可消费的特征列。	必需
`pipeline_state`	`MutableMapping[str, Any]`	Pipeline 级可变状态。	必需

返回：

类型	描述
`tuple of polars.DataFrame and list of str`	转换后的工作表和更新后的 active features。

mars.pipeline.MarsSelectionStep ¶

Bases: MarsPipelineStep

Pipeline 中的特征筛选 step。

该 step 可以在同一个 Pipeline 中出现多次，每一步都只消费上一阶段输出的 active features。

init ¶

__init__(name: str, selector: MarsBaseSelector, fit_params: Mapping[str, Any] | None = None) -> None

初始化筛选 step。

参数：

名称	类型	描述	默认
`name`	`str`	step 唯一名称。	必需
`selector`	`MarsBaseSelector`	已配置好筛选策略的 MARS selector。	必需
`fit_params`	`Mapping[str, Any] \| None`	传给 selector `fit` 的本次任务参数。对于 `MarsStatsSelector`，会额外自动传入 `target` 和当前 active features；对于 sklearn 风格 selector，会自动传入 `X`、`y` 和当前 active features。	`None`

fit_transform ¶

fit_transform(df: DataFrame, *, target: str, active_features: Sequence[str], pipeline_state: MutableMapping[str, Any]) -> tuple[pl.DataFrame, list[str], MarsStepResult]

拟合 selector 并输出新的 active features。

参数：

名称	类型	描述	默认
`df`	`DataFrame`	当前 Pipeline 工作表。	必需
`target`	`str`	建模主目标列。	必需
`active_features`	`Sequence[str]`	当前候选特征列。	必需
`pipeline_state`	`MutableMapping[str, Any]`	Pipeline 级状态；筛选 step 当前只读该状态。	必需

返回：

类型	描述
`tuple of polars.DataFrame, list of str, MarsStepResult`	原工作表、筛选后的 active features 和 step 结果。

引发：

类型	描述
`ValueError`	当前 step 筛空所有特征时抛出。

transform ¶

transform(df: DataFrame, *, active_features: Sequence[str], pipeline_state: MutableMapping[str, Any]) -> tuple[pl.DataFrame, list[str]]

转换阶段不裁剪工作表，只更新 active features。

参数：

名称	类型	描述	默认
`df`	`DataFrame`	当前 Pipeline 工作表。	必需
`active_features`	`Sequence[str]`	当前 active features。	必需
`pipeline_state`	`MutableMapping[str, Any]`	Pipeline 级状态；筛选 step 当前只读该状态。	必需

返回：

类型	描述
`tuple of polars.DataFrame and list of str`	原工作表和拟合阶段保存的 selected features。

mars.pipeline.MarsWOEBinningStep ¶

Bases: MarsPipelineStep

Pipeline 中显式生成 WOE 特征的分箱 step。

该 step 主要服务 LR 和评分卡链路；树模型可以显式使用，但不作为默认推荐路径。

init ¶

__init__(name: str, binner: MarsBinnerBase, cat_features: Sequence[str] | None = None, woe_batch_size: int = 200) -> None

初始化 WOE 分箱 step。

参数：

名称	类型	描述	默认
`name`	`str`	step 唯一名称。	必需
`binner`	`MarsBinnerBase`	已配置好分箱策略的 MARS binner。	必需
`cat_features`	`Sequence[str] \| None`	当前 active features 中需要按类别特征处理的列。	`None`
`woe_batch_size`	`int`	WOE 映射物化时的批大小。	`200`

fit_transform ¶

fit_transform(df: DataFrame, *, target: str, active_features: Sequence[str], pipeline_state: MutableMapping[str, Any]) -> tuple[pl.DataFrame, list[str], MarsStepResult]

拟合分箱器并追加 WOE 特征列。

参数：

名称	类型	描述	默认
`df`	`DataFrame`	当前 Pipeline 工作表。	必需
`target`	`str`	建模主目标列。	必需
`active_features`	`Sequence[str]`	当前需要分箱的特征列。	必需
`pipeline_state`	`MutableMapping[str, Any]`	Pipeline 级状态，会在本步骤更新 `feature_map` 和 `has_woe_step`。	必需

返回：

类型	描述
`tuple of polars.DataFrame, list of str, MarsStepResult`	追加 WOE 列后的工作表、WOE 特征列和 step 结果。

transform ¶

transform(df: DataFrame, *, active_features: Sequence[str], pipeline_state: MutableMapping[str, Any]) -> tuple[pl.DataFrame, list[str]]

使用已拟合分箱器追加 WOE 特征列。

参数：

名称	类型	描述	默认
`df`	`DataFrame`	当前 Pipeline 工作表。	必需
`active_features`	`Sequence[str]`	当前需要转换的特征列。	必需
`pipeline_state`	`MutableMapping[str, Any]`	Pipeline 级状态，会在本步骤更新 `has_woe_step`。	必需

返回：

类型	描述
`tuple of polars.DataFrame and list of str`	追加 WOE 列后的工作表和 WOE 特征列。

mars.pipeline.MarsModelingStep ¶

Bases: MarsPipelineStep

Pipeline 中的最终建模 step。

该 step 最多出现一次，且必须位于 Pipeline 最后。

init ¶

__init__(name: str, model_type: str, *, time_col: str | None = None, split_ratios: Mapping[str, float] | None = None, dataset_flag_col: str = 'dataset_flag', categorical_features: Sequence[str] | None = None, optimize_metric: str = 'ks', seed: int = 1206, tune_params: Mapping[str, Any] | None = None, slice_params: Mapping[str, Any] | None = None) -> None

初始化建模 step。

参数：

名称	类型	描述	默认
`name`	`str`	step 唯一名称。	必需
`model_type`	`str`	建模后端类型，例如 `"lgb"`、`"xgb"`、`"cbt"` 或 `"lr"`。	必需
`time_col`	`str \| None`	需要自动切分样本时使用的时间列。	`None`
`split_ratios`	`Mapping[str, float] \| None`	训练、验证和 OOT 的切分比例；与 `time_col` 同时提供时自动调用 `session.slice`。	`None`
`dataset_flag_col`	`str`	建模样本切片列名。	`'dataset_flag'`
`categorical_features`	`Sequence[str] \| None`	进入建模后端的类别特征列。若上游已生成 WOE 特征，通常应保持为空。	`None`
`optimize_metric`	`str`	调参优化指标。	`'ks'`
`seed`	`int`	随机种子。	`1206`
`tune_params`	`Mapping[str, Any] \| None`	传给 `MarsModelingSession.tune` 的参数。	`None`
`slice_params`	`Mapping[str, Any] \| None`	传给 `MarsModelingSession.slice` 的额外参数。	`None`

fit_transform ¶

fit_transform(df: DataFrame, *, target: str, active_features: Sequence[str], pipeline_state: MutableMapping[str, Any]) -> tuple[pl.DataFrame, list[str], MarsStepResult]

基于最终 active features 创建 session 并执行调参。

参数：

名称	类型	描述	默认
`df`	`DataFrame`	当前 Pipeline 工作表。	必需
`target`	`str`	建模主目标列。	必需
`active_features`	`Sequence[str]`	最终进入建模的特征列。	必需
`pipeline_state`	`MutableMapping[str, Any]`	Pipeline 级状态；如果已经执行 WOE step，LR 会按 numeric 模式消费外部 WOE 列；否则 LR 会启用后端自身的 WOE 转换。	必需

返回：

类型	描述
`tuple of polars.DataFrame, list of str, MarsStepResult`	建模工作表、建模特征列和 step 结果。

引发：

类型	描述
`ValueError`	建模特征为空、切分参数不完整或缺少 dataset flag 时抛出。

transform ¶

transform(df: DataFrame, *, active_features: Sequence[str], pipeline_state: MutableMapping[str, Any]) -> tuple[pl.DataFrame, list[str]]

建模 step 在普通 transform 中不打分，只透传样本和 active features。

参数：

名称	类型	描述	默认
`df`	`DataFrame`	当前 Pipeline 工作表。	必需
`active_features`	`Sequence[str]`	最终建模特征列。	必需
`pipeline_state`	`MutableMapping[str, Any]`	Pipeline 级状态；当前只读该状态。	必需

返回：

类型	描述
`tuple of polars.DataFrame and list of str`	原工作表和原 active features。

mars.pipeline.MarsPipelineResult `dataclass` ¶

MarsModelingPipeline 的结构化运行结果。

属性：

名称	类型	描述
`active_features`	`list of str`	Pipeline 最终输出、并进入建模阶段的特征列。
`selected_features`	`list of str`	最后一层筛选或 WOE 转换后的特征列。
`feature_map`	`dict of str to str`	原始特征到派生特征的映射，例如 `age -> age_woe`。
`step_results`	`list of MarsStepResult`	每个 step 的输入、输出、剔除特征、报告和元数据。
`modeling_result`	`MarsModelTuningResult \| None`	建模 step 的调参结果；Pipeline 不包含建模 step 时为 `None`。
`metadata`	`dict of str to Any`	Pipeline 级元数据。

mars.pipeline.MarsStepResult `dataclass` ¶

单个 Pipeline step 的结构化执行结果。

属性：

名称	类型	描述
`name`	`str`	step 名称。
`step_type`	`str`	step 类型，当前包括 `selection`、`woe_binning` 和 `modeling`。
`input_features`	`list of str`	step 执行前的 active features。
`output_features`	`list of str`	step 执行后的 active features。
`dropped_features`	`list of str`	本 step 从 active features 中剔除的特征。
`report`	`Any`	step 产生的报告对象或明细表；无报告时为 `None`。
`metadata`	`dict of str to Any`	step 级元数据。

Session¶

mars.modeling.MarsModelingSession ¶

组织切分、调参、评估和 replay 的会话级门面。

last_run `property` ¶

last_run: MarsModelTuningResult | None

返回最近一次调参结果。

best_model `property` ¶

best_model: Any

返回最近一次调参得到的最优模型。

best_score `property` ¶

best_score: float | None

返回最近一次调参的最优验证分数。

best_params `property` ¶

best_params: dict[str, Any] | None

返回最近一次调参的最优参数。

history_table `property` ¶

history_table: DataFrame

返回最近一次调参 history 表。

last_feature_growth_run `property` ¶

last_feature_growth_run: MarsFeatureGrowthResult | None

返回最近一次特征增长调参结果。

init ¶

__init__(*, model_type: str, features: Sequence[str], target: str, dataset_flag_col: str = 'dataset_flag', categorical_features: Sequence[str] | None = None, optimize_metric: str = 'ks', seed: int = 1206, lr_feature_mode: str = 'numeric', lr_binning_type: str = 'native', lr_binner_kwargs: Mapping[str, Any] | None = None, lr_binner: Any | None = None) -> None

初始化建模会话。

slice ¶

slice(df: FrameLike, *, time_col: str, split_ratios: Mapping[str, float], target: str | None = None, mode: str = 'strict', train_key: str = 'train', val_key: str = 'val', random_seed: int = 42) -> FrameLike

生成带 dataset flag 的切分样本。

tune ¶

tune(df: FrameLike, *, param_space: Mapping[str, Any] | None = None, max_diff: float = 3.0, use_oot_penalty: bool = False, n_trials: int = 50, startup_trials: int = 20, warmup_steps: int = 100, num_boost_round: int = 500, early_stopping_rounds: int = 50, metric_params: Mapping[str, Any] | None = None, custom_metrics: Mapping[str, MetricCallable] | None = None, metric_directions: Mapping[str, MetricDirection] | None = None, training_metric: str | None = None, backend_metric: Any | None = None, keep_top_n_models: int = 5, artifact_dir: str | Path | None = 'modeling_artifacts', importance_methods: Sequence[Literal['native', 'shap']] = ('native',), shap_sample_size: int = 5000, shap_background_size: int = 1000, overwrite: bool = False) -> MarsModelTuningResult

执行单次调参。

tune_incrementally ¶

tune_incrementally(df: FrameLike, *, steps: Sequence[int] | None = None, feature_order: Sequence[str] | None = None, importance_table: DataFrame | None = None, min_features: int = 10, max_features: int | None = None, step_size: int | None = None, mode: str = 'prefix', selection_metric: str | None = None, **tune_kwargs: Any) -> MarsFeatureGrowthResult

按特征数量递增执行多轮调参。

evaluate ¶

evaluate(df: FrameLike, *, pred_col: str, benchmark_col: str | None = None, benchmark_cols: Sequence[str] | None = None, time_col: str | None = None, val_target: str | None = None, aux_targets: Sequence[str] | None = None, target_group_cols: Mapping[str, str] | None = None, feature_cols: Sequence[str] | None = None, importance_table: DataFrame | None = None, psi_include_missing: bool = False) -> MarsModelingReport

基于预测分生成模型评估报告。

replay ¶

replay(tuning_result: MarsModelTuningResult, df: FrameLike, *, top_k: int = 5, sort_metric: str = 'ks', include_val: bool = True, trial_nums: Sequence[int] | None = None, retrain: bool = True, num_boost_round: int = 500, early_stopping_rounds: int = 50, optimize_metric: str | None = None, metric_params: Mapping[str, Any] | None = None, custom_metrics: Mapping[str, MetricCallable] | None = None, metric_directions: Mapping[str, MetricDirection] | None = None, training_metric: str | None = None, backend_metric: Any | None = None, benchmark_col: str | None = None, benchmark_cols: Sequence[str] | None = None, time_col: str | None = None, val_target: str | None = None, aux_targets: Sequence[str] | None = None, target_group_cols: Mapping[str, str] | None = None, psi_include_missing: bool = False) -> MarsModelReplayResult

基于调参结果执行 replay、重训和重评估。

Data Splitter¶

mars.modeling.MarsModelDataSplitter ¶

Bases: PandasSplitterMixin, PolarsSplitterMixin

无状态的建模样本切分入口。

engine_ `property` ¶

engine_: str

返回当前工作副本使用的数据引擎。

init ¶

__init__() -> None

初始化无状态切分器。

split_by_time_strictly ¶

split_by_time_strictly(df: FrameLike, *, time_col: str, target: str, split_ratios: dict[str, float], dataset_flag_col: str = 'dataset_flag') -> FrameLike

按时间顺序严格切分 train/val/oot。

split_hybrid_random_val ¶

split_hybrid_random_val(df: FrameLike, *, time_col: str, target: str, split_ratios: dict[str, float], dataset_flag_col: str = 'dataset_flag', train_key: str = 'train', val_key: str = 'val', random_seed: int = 42) -> FrameLike

在建模窗口内随机切 train/val，其余切片仍按时间顺序。

split_by_target_observation ¶

split_by_target_observation(df: FrameLike, *, time_col: str, target: str, split_ratios: dict[str, float], aux_targets: Sequence[str] | None = None, dataset_flag_col: str = 'dataset_flag', aux_dataset_flag_suffix: str = '__dataset_flag') -> FrameLike

为主目标和辅助目标生成各自独立的切片列。

Tuning¶

mars.modeling.MarsModelTuner ¶

二分类风险模型调参工具。

属性：

名称	类型	描述
`spec`	`ModelingSpec`	当前调参任务的建模规格。
`last_run`	`MarsModelTuningResult or None`	最近一次调参结果。

示例：

>>> tuner = MarsModelTuner(model_type="xgb", features=["age"], target="y")
>>> tuner.spec.optimize_metric
'ks'

best_model `property` ¶

best_model: Any

返回最近一次调参运行中的最佳模型。

返回：

类型	描述
`Any`	最近一次调参运行中的最佳模型；若尚无调参结果，则返回 `None`。

示例：

>>> tuner = MarsModelTuner(model_type="xgb", features=["age"], target="y")
>>> tuner.best_model is None
True

best_score `property` ¶

best_score: float | None

返回最近一次调参运行中的最佳验证集分数。

返回：

类型	描述
`float or None`	最近一次调参运行的最佳验证集分数；若尚无调参结果，则返回 `None`。

示例：

>>> tuner = MarsModelTuner(model_type="xgb", features=["age"], target="y")
>>> tuner.best_score is None
True

best_params `property` ¶

best_params: Dict[str, Any] | None

返回最近一次调参运行中的最佳参数集合。

返回：

类型	描述
`dict of str to Any or None`	最近一次调参运行的最佳参数副本；若尚无调参结果，则返回 `None`。

示例：

>>> tuner = MarsModelTuner(model_type="xgb", features=["age"], target="y")
>>> tuner.best_params is None
True

history_table `property` ¶

history_table: DataFrame

返回最近一次调参运行的结构化 Trial 历史表。

返回：

类型	描述
`DataFrame`	Trial 历史表；若尚无调参结果，则返回空表。

示例：

>>> tuner = MarsModelTuner(model_type="xgb", features=["age"], target="y")
>>> tuner.history_table.empty
True

init ¶

__init__(*, model_type: str, features: Sequence[str], target: str, dataset_flag_col: str = 'dataset_flag', categorical_features: Sequence[str] | None = None, optimize_metric: str = 'ks', seed: int = 1206, lr_feature_mode: str = 'numeric', lr_binning_type: str = 'native', lr_binner_kwargs: Mapping[str, Any] | None = None, lr_binner: Any | None = None) -> None

初始化 Modeling Pipeline 调参器。

参数：

名称	类型	描述	默认
`model_type`	`str`	模型后端类型。	必需
`features`	`Sequence[str]`	建模特征列。	必需
`target`	`str`	目标列名。	必需
`dataset_flag_col`	`str`	样本切片标记列名。	`'dataset_flag'`
`categorical_features`	`Sequence[str] \| None`	类别特征列。	`None`
`optimize_metric`	`str`	调参优化指标。	`'ks'`
`seed`	`int`	随机种子。	`1206`
`lr_feature_mode`	`str`	LR 特征模式。	`'numeric'`
`lr_binning_type`	`str`	LR WOE 模式使用的分箱器类型，支持 `native`、`optimal` 和 `lite_opt`。	`'native'`
`lr_binner_kwargs`	`Mapping[str, Any] \| None`	构造 LR 分箱器时使用的参数。	`None`
`lr_binner`	`Any \| None`	显式复用的 LR 分箱器实例。	`None`

tune ¶

tune(df: FrameLike, *, param_space: Mapping[str, Any] | None = None, max_diff: float = 3.0, use_oot_penalty: bool = False, n_trials: int = 50, startup_trials: int = 20, warmup_steps: int = 100, num_boost_round: int = 500, early_stopping_rounds: int = 50, metric_params: Mapping[str, Any] | None = None, custom_metrics: Mapping[str, MetricCallable] | None = None, metric_directions: Mapping[str, MetricDirection] | None = None, training_metric: str | None = None, backend_metric: Any | None = None, keep_top_n_models: int = 5, artifact_dir: str | Path | None = 'modeling_artifacts', importance_methods: Sequence[Literal['native', 'shap']] = ('native',), shap_sample_size: int = 5000, shap_background_size: int = 1000, overwrite: bool = False) -> MarsModelTuningResult

调优一个模型后端并返回可复用的建模调优结果。

参数：

名称	类型	描述	默认
`df`	`FrameLike`	已经带有 train、validation、OOT 切片标记的建模样本。	必需
`param_space`	`Mapping[str, Any] \| None`	对后端搜索空间的覆盖或扩展。	`None`
`max_diff`	`float`	泛化衰减阈值，单位是百分点。	`3.0`
`use_oot_penalty`	`bool`	是否将 OOT 衰减纳入 trial 有效性判断。	`False`
`n_trials`	`int`	Optuna 试验次数。	`50`
`startup_trials`	`int`	剪枝器开始工作前的预热试验次数。	`20`
`warmup_steps`	`int`	剪枝器预热步数。	`100`
`num_boost_round`	`int`	最大 boosting 轮数。	`500`
`early_stopping_rounds`	`int`	early stopping 轮数。	`50`
`metric_params`	`Mapping[str, Any] \| None`	指标参数，例如 `f1_threshold`。	`None`
`custom_metrics`	`Mapping[str, MetricCallable] \| None`	用户自定义指标函数字典。	`None`
`metric_directions`	`Mapping[str, MetricDirection] \| None`	指标排序方向。	`None`
`training_metric`	`str \| None`	模型后端训练期监控指标。	`None`
`backend_metric`	`Any \| None`	透传给模型后端原生训练接口的自定义 metric。	`None`
`keep_top_n_models`	`int`	调参过程中动态保留的最优模型数量。	`5`
`artifact_dir`	`str \| Path \| None`	调参产物根目录；`None` 表示不落盘。	`'modeling_artifacts'`
`importance_methods`	`Sequence[Literal['native', 'shap']]`	特征重要性计算方式。	`('native',)`
`shap_sample_size`	`int`	计算 SHAP values 的最大样本量。	`5000`
`shap_background_size`	`int`	SHAP 背景样本量。	`1000`
`overwrite`	`bool`	保留参数；当前每次调参都会创建独立运行目录。	`False`

返回：

类型	描述
`MarsModelTuningResult`	包含最佳模型、调参历史、训练配置和元数据的建模调优结果。

引发：

类型	描述
`ValueError`	当指标、重要性方法或输入配置不合法时抛出。
`ImportError`	当当前功能依赖的可选组件不可用时抛出。
`RuntimeError`	当底层训练、评估或导出流程失败时抛出。
`Exception`	第三方依赖在调参期间抛出的未包装异常会继续向上抛出。

mars.modeling.MarsModelReplayRunner ¶

基于 MarsModelTuningResult 回放调参结果。

MarsModelReplayRunner 不在构造函数中绑定模型类型、特征列或目标列，而是从 :meth:replay 传入的调优结果中读取建模规格。回放候选既可以按 Top-K 自动选择，也可以由调用者传入 trial 编号。benchmark 分数、时间列和辅助验证目标属于本次 replay 评估上下文，因此保留在方法入参中。

示例：

>>> replay = MarsModelReplayRunner()
>>> callable(replay.replay)
True

replay ¶

replay(tuning_result: MarsModelTuningResult, df: FrameLike, *, top_k: int = 5, sort_metric: str = 'ks', include_val: bool = True, trial_nums: Sequence[int] | None = None, retrain: bool = True, num_boost_round: int = 500, early_stopping_rounds: int = 50, optimize_metric: str | None = None, metric_params: Mapping[str, Any] | None = None, custom_metrics: Mapping[str, MetricCallable] | None = None, metric_directions: Mapping[str, MetricDirection] | None = None, training_metric: str | None = None, backend_metric: Any | None = None, benchmark_col: str | None = None, benchmark_cols: Sequence[str] | None = None, time_col: str | None = None, val_target: str | None = None, aux_targets: Sequence[str] | None = None, target_group_cols: Mapping[str, str] | None = None, psi_include_missing: bool = False) -> MarsModelReplayResult

回放 Top-K 或指定 trial，并生成模型、打分数据和评估报告。

参数：

名称	类型	描述	默认
`tuning_result`	`MarsModelTuningResult`	提供模型类型、特征列、目标列和样本切片配置的调优结果。	必需
`df`	`FrameLike`	用于重新训练和打分的样本表。	必需
`top_k`	`int`	要回放的 trial 数量。	`5`
`sort_metric`	`str`	replay 排行表排序指标。	`'ks'`
`include_val`	`bool`	是否将 validation 切片指标纳入平均排序。	`True`
`trial_nums`	`Sequence[int] \| None`	指定要 replay 的 trial 编号；传入后按给定顺序回放，`top_k` 不参与选择。	`None`
`retrain`	`bool`	是否使用 trial 参数重新训练；`False` 时只使用调参阶段已保留的模型。	`True`
`num_boost_round`	`int`	当调优结果中没有保存该配置时使用的最大 boosting 轮数。	`500`
`early_stopping_rounds`	`int`	当调优结果中没有保存该配置时使用的 early stopping 轮数。	`50`
`optimize_metric`	`str \| None`	覆盖 replay 后端使用的优化指标。	`None`
`metric_params`	`Mapping[str, Any] \| None`	指标参数，例如 `f1_threshold`。	`None`
`custom_metrics`	`Mapping[str, MetricCallable] \| None`	replay 重训时使用的自定义指标函数字典。	`None`
`metric_directions`	`Mapping[str, MetricDirection] \| None`	指标排序方向；会影响 Top-K trial 选择和自定义指标 replay。	`None`
`training_metric`	`str \| None`	模型后端训练期监控指标。	`None`
`backend_metric`	`Any \| None`	透传给模型后端原生训练接口的自定义 metric。	`None`
`benchmark_col`	`str \| None`	benchmark 或 champion 模型分数列名。	`None`
`benchmark_cols`	`Sequence[str] \| None`	多个 benchmark 或 champion 模型分数列名。	`None`
`time_col`	`str \| None`	原始时间列名，用于补充报告中的时间边界。	`None`
`val_target`	`str \| None`	替代验证目标列名。	`None`
`aux_targets`	`Sequence[str] \| None`	辅助验证目标列名；不参与训练，只进入 replay 评估报告。	`None`
`target_group_cols`	`Mapping[str, str] \| None`	每个目标对应的独立样本切片列名，用于长短 y 表现期不一致的评估。	`None`
`psi_include_missing`	`bool`	replay 评估报告计算 `score_psi` 和 `feature_psi` 时是否纳入缺失值箱。	`False`

返回：

类型	描述
`MarsModelReplayResult`	包含 replay 排行表、模型、打分数据和评估报告的结果对象。

引发：

类型	描述
`ValueError`	当输入参数、列配置或数据状态不满足当前方法要求时抛出。

Evaluation 与 Prediction¶

mars.modeling.MarsModelEvaluator ¶

构建二分类模型分组评估报告。

init ¶

__init__() -> None

初始化一个空评估器。

evaluate ¶

evaluate(df: FrameLike, *, pred_col: str, group_col: str, target: str, benchmark_col: str | None = None, benchmark_cols: Sequence[str] | None = None, time_col: str | None = None, val_target: str | None = None, aux_targets: Sequence[str] | None = None, target_group_cols: Mapping[str, str] | None = None, feature_cols: Sequence[str] | None = None, importance_table: DataFrame | None = None, psi_include_missing: bool = False) -> MarsModelingReport

对已打分样本构建模型评估报告。

mars.modeling.ModelPredictor ¶

复用统一后端注册表与适配器的预测器。

init ¶

__init__(model: Any, feature_list: Sequence[str], *, categorical_features: Sequence[str] | None = None, model_type: str, category_levels: Dict[str, Sequence[Any]] | None = None) -> None

保存训练后模型、特征契约与显式后端标识。

predict ¶

predict(df: FrameLike, pred_col: str = 'pred_score', inplace: bool = False) -> FrameLike

追加预测分数，并保持调用方偏好的数据框类型。

evaluate ¶

evaluate(df: FrameLike, group_col: str, target: str, *, time_col: str | None = None, val_target: str | None = None, benchmark_col: str | None = None, benchmark_cols: Sequence[str] | None = None, aux_targets: Sequence[str] | None = None, target_group_cols: Mapping[str, str] | None = None, pred_col: str = 'pred_score', psi_include_missing: bool = False) -> MarsModelingReport

对输入样本打分，并立即生成建模评估报告。

Result Objects¶

mars.modeling.MarsModelTuningResult `dataclass` ¶

单次调参流程的结构化结果对象。

属性：

名称	类型	描述
`best_model`	`Any`	验证集最优模型。
`history_table`	`DataFrame`	trial 级训练历史。
`importance_table`	`DataFrame`	特征重要性表。
`retained_models`	`dict`	调参过程中动态保留的 trial 模型。
`retained_model_table`	`DataFrame`	已保留模型的 trial 编号、分数和排名。
`artifact_path`	`str or None`	本次调参产物目录；不落盘时为 `None`。
`run_id`	`str or None`	本次调参运行编号。
`metric_names`	`list of str`	本次调参计算的内置和自定义指标名。
`metric_directions`	`dict`	各指标的排序方向。
`importance_tables`	`dict of str to pandas.DataFrame`	native、SHAP 等多来源重要性表。
`metadata`	`dict`	调参过程元信息和 artifact 元数据。
`training_config`	`dict`	可复现训练配置。
`backend_data_mode`	`str`	实际后端数据通道。
`category_levels`	`dict`	类别特征稳定字典。

示例：

>>> run = MarsModelTuningResult(
...     model_type="xgb",
...     optimize_metric="ks",
...     features=["age"],
...     target="y",
...     dataset_flag_col="dataset_flag",
...     categorical_features=[],
...     best_params={},
...     best_iteration=None,
...     best_model=None,
...     best_score=0.0,
...     history_table=pd.DataFrame(),
...     history_path="history.csv",
...     study=None,
...     replay_candidates=[],
...     importance_table=pd.DataFrame(),
... )
>>> run.features
['age']

export_artifact ¶

export_artifact(path: str) -> Path

将调参结果写入本地 artifact 目录。

参数：

名称	类型	描述	默认
`path`	`str`	输出目录。	必需

返回：

类型	描述
`Path`	artifact 目录路径。

示例：

>>> from tempfile import TemporaryDirectory
>>> run = MarsModelTuningResult(
...     model_type="xgb",
...     optimize_metric="ks",
...     features=["age"],
...     target="y",
...     dataset_flag_col="dataset_flag",
...     categorical_features=[],
...     best_params={},
...     best_iteration=None,
...     best_model=None,
...     best_score=0.0,
...     history_table=pd.DataFrame(),
...     history_path="history.csv",
...     study=None,
...     replay_candidates=[],
...     importance_table=pd.DataFrame(),
... )
>>> with TemporaryDirectory() as tmp:
...     artifact_dir = run.export_artifact(tmp)
...     (artifact_dir / "metadata.json").exists()
True

from_artifact `classmethod` ¶

from_artifact(path: str) -> MarsModelTuningResult

从本地 artifact 目录恢复调参结果。

参数：

名称	类型	描述	默认
`path`	`str`	由 `export_artifact` 生成的 artifact 目录。	必需

返回：

类型	描述
`MarsModelTuningResult`	恢复后的单次调参结果。

引发：

类型	描述
`FileNotFoundError`	当指定路径不存在时抛出。
`ValueError`	当输入参数、列配置或数据状态不满足当前方法要求时抛出。

示例：

>>> from tempfile import TemporaryDirectory
>>> run = MarsModelTuningResult(
...     model_type="xgb",
...     optimize_metric="ks",
...     features=["age"],
...     target="y",
...     dataset_flag_col="dataset_flag",
...     categorical_features=[],
...     best_params={},
...     best_iteration=None,
...     best_model=None,
...     best_score=0.0,
...     history_table=pd.DataFrame(),
...     history_path="history.csv",
...     study=None,
...     replay_candidates=[],
...     importance_table=pd.DataFrame(),
... )
>>> with TemporaryDirectory() as tmp:
...     _ = run.export_artifact(tmp)
...     MarsModelTuningResult.from_artifact(tmp).features
['age']

mars.modeling.MarsModelReplayResult `dataclass` ¶

调参 replay 流程的结构化结果对象。

属性：

名称	类型	描述
`ranking_table`	`DataFrame`	用于选取 Top-K 或指定 trial 的排名表。
`leaderboard_table`	`DataFrame`	replay 后的模型排行榜。
`models`	`dict`	replay 训练得到的模型对象。
`scored_df`	`(DataFrame or DataFrame, optional)`	追加预测列后的数据。
`reports`	`dict`	每个 replay 模型对应的评估报告。

示例：

>>> replay = MarsModelReplayResult(
...     model_type="xgb",
...     ranking_table=pd.DataFrame(),
...     leaderboard_table=pd.DataFrame(),
...     models={},
...     scored_df=None,
...     reports={},
...     importance_tables={},
... )
>>> replay.models
{}

export_artifact ¶

export_artifact(path: str, include_scored_df: bool = False) -> Path

将 replay 结果写入本地 artifact 目录。

参数：

名称	类型	描述	默认
`path`	`str`	输出目录。	必需
`include_scored_df`	`bool`	是否保存评分后的数据框。	`False`

返回：

类型	描述
`Path`	artifact 目录路径。

示例：

>>> from tempfile import TemporaryDirectory
>>> replay = MarsModelReplayResult(
...     model_type="xgb",
...     ranking_table=pd.DataFrame(),
...     leaderboard_table=pd.DataFrame(),
...     models={},
...     scored_df=None,
...     reports={},
...     importance_tables={},
... )
>>> with TemporaryDirectory() as tmp:
...     artifact_dir = replay.export_artifact(tmp)
...     (artifact_dir / "metadata.json").exists()
True

from_artifact `classmethod` ¶

from_artifact(path: str) -> MarsModelReplayResult

从本地 artifact 目录恢复 replay 结果。

参数：

名称	类型	描述	默认
`path`	`str`	由 `export_artifact` 生成的 replay artifact 目录。	必需

返回：

类型	描述
`MarsModelReplayResult`	恢复后的 replay 结果。

引发：

类型	描述
`FileNotFoundError`	当指定路径不存在时抛出。
`ValueError`	当输入参数、列配置或数据状态不满足当前方法要求时抛出。

示例：

>>> from tempfile import TemporaryDirectory
>>> replay = MarsModelReplayResult(
...     model_type="xgb",
...     ranking_table=pd.DataFrame(),
...     leaderboard_table=pd.DataFrame(),
...     models={},
...     scored_df=None,
...     reports={},
...     importance_tables={},
... )
>>> with TemporaryDirectory() as tmp:
...     _ = replay.export_artifact(tmp)
...     MarsModelReplayResult.from_artifact(tmp).model_type
'xgb'

mars.modeling.MarsFeatureGrowthResult `dataclass` ¶

逐步增加特征调参的结构化结果。

属性：

名称	类型	描述
`summary_table`	`DataFrame`	step 级汇总审计表。
`runs`	`dict of int to MarsModelTuningResult`	每个成功 step 对应的调参结果。
`best_step`	`int or None`	推荐模型对应的特征数量；若无成功 step 则为 `None`。
`best_run`	`MarsModelTuningResult or None`	推荐 step 对应的调参结果。

示例：

>>> run = MarsFeatureGrowthResult(
...     model_type="xgb",
...     optimize_metric="ks",
...     feature_order=["age"],
...     steps=[1],
...     selection_metric="ks",
...     summary_table=pd.DataFrame(),
...     runs={},
... )
>>> run.best_features
[]

best_model `property` ¶

best_model: Any

返回推荐 step 的最佳模型。

返回：

类型	描述
`Any`	推荐 step 的最佳模型；若尚无推荐 run，则返回 `None`。

示例：

>>> run = MarsFeatureGrowthResult("xgb", "ks", ["age"], [1], "ks", pd.DataFrame(), {})
>>> run.best_model is None
True

best_score `property` ¶

best_score: float | None

返回推荐 step 的 validation 分数。

返回：

类型	描述
`float or None`	推荐 step 的验证集分数；若尚无推荐 run，则返回 `None`。

示例：

>>> run = MarsFeatureGrowthResult("xgb", "ks", ["age"], [1], "ks", pd.DataFrame(), {})
>>> run.best_score is None
True

best_features `property` ¶

best_features: List[str]

返回推荐 step 使用的特征列表。

返回：

类型	描述
`list of str`	推荐 step 使用的特征列名；若尚无推荐 run，则返回空列表。

示例：

>>> run = MarsFeatureGrowthResult("xgb", "ks", ["age"], [1], "ks", pd.DataFrame(), {})
>>> run.best_features
[]

export_artifact ¶

export_artifact(path: str) -> Path

将特征增长实验结果写入本地 artifact 目录。

参数：

名称	类型	描述	默认
`path`	`str`	输出目录。	必需

返回：

类型	描述
`Path`	artifact 目录路径。

示例：

>>> from tempfile import TemporaryDirectory
>>> run = MarsFeatureGrowthResult("xgb", "ks", ["age"], [1], "ks", pd.DataFrame(), {})
>>> with TemporaryDirectory() as tmp:
...     artifact_dir = run.export_artifact(tmp)
...     artifact_dir.exists()
True

from_artifact `classmethod` ¶

from_artifact(path: str) -> MarsFeatureGrowthResult

从本地 artifact 目录恢复特征增长实验结果。

参数：

名称	类型	描述	默认
`path`	`str`	artifact 目录。	必需

返回：

类型	描述
`MarsFeatureGrowthResult`	恢复后的实验结果。

引发：

类型	描述
`FileNotFoundError`	当指定路径不存在时抛出。
`ValueError`	当输入参数、列配置或数据状态不满足当前方法要求时抛出。

示例：

>>> from tempfile import TemporaryDirectory
>>> run = MarsFeatureGrowthResult("xgb", "ks", ["age"], [1], "ks", pd.DataFrame(), {})
>>> with TemporaryDirectory() as tmp:
...     _ = run.export_artifact(tmp)
...     MarsFeatureGrowthResult.from_artifact(tmp).feature_order
['age']

mars.modeling.MarsModelingReport ¶

建模评估报告的数据容器。

属性：

名称	类型	描述
`summary_table`	`DataFrame`	分数据集的核心指标汇总表。
`caption`	`str`	Notebook 样式展示标题。
`detail_tables`	`dict of str to pandas.DataFrame`	ROC、KS、PSI、风险水位图等轻量明细表。
`metadata`	`dict`	训练配置、版本、特征重要性等报告元数据。

示例：

>>> import pandas as pd
>>> report = MarsModelingReport(pd.DataFrame({"metric": [1.0]}))
>>> report.caption
'MARS Model Evaluation'

styled_summary `property` ¶

styled_summary: Any

返回适合 Notebook 展示的 Pandas Styler。

返回：

类型	描述
`Any`	Pandas Styler 对象。

示例：

>>> report = MarsModelingReport(pd.DataFrame({"metric": [1.0]}))
>>> report.styled_summary.caption
'MARS Model Evaluation'

init ¶

__init__(summary_table: DataFrame, caption: str = 'MARS Model Evaluation', detail_tables: Dict[str, DataFrame] | None = None, metadata: Dict[str, Any] | None = None) -> None

初始化建模评估报告对象。

参数：

名称	类型	描述	默认
`summary_table`	`DataFrame`	建模评估汇总表。	必需
`caption`	`str`	报告标题。	`'MARS Model Evaluation'`
`detail_tables`	`Dict[str, DataFrame] \| None`	多粒度明细表集合。	`None`
`metadata`	`Dict[str, Any] \| None`	报告元数据。	`None`

show_summary ¶

show_summary() -> Any

返回样式化汇总表。

返回：

类型	描述
`Any`	Pandas Styler 对象。

示例：

>>> report = MarsModelingReport(pd.DataFrame({"metric": [1.0]}))
>>> report.show_summary().caption
'MARS Model Evaluation'

to_pandas ¶

to_pandas() -> pd.DataFrame

返回汇总表副本。

返回：

类型	描述
`DataFrame`	汇总表副本。

示例：

>>> report = MarsModelingReport(pd.DataFrame({"metric": [1.0]}))
>>> report.to_pandas().equals(report.summary_table)
True

write_excel ¶

write_excel(path: str = 'mars_model_evaluation.xlsx', engine: str | None = None) -> None

将汇总表和明细表写入 Excel 工作簿。

参数：

名称	类型	描述	默认
`path`	`str`	输出文件路径。	`'mars_model_evaluation.xlsx'`
`engine`	`str \| None`	Pandas ExcelWriter 引擎。	`None`

返回：

类型	描述
`None`	函数仅产生 Excel 文件写入副作用。

示例：

>>> from pathlib import Path
>>> from tempfile import TemporaryDirectory
>>> report = MarsModelingReport(pd.DataFrame({"metric": [1.0]}))
>>> with TemporaryDirectory() as tmp:
...     path = Path(tmp) / "report.xlsx"
...     report.write_excel(str(path))
...     path.exists()
True

to_html ¶

to_html(path: str = 'mars_model_report.html', *, title: str | None = None, run: Any | None = None, scorecard: Any | None = None, importance_table: DataFrame | None = None, history_table: DataFrame | None = None, top_features: int = 20, dpi: int = 150) -> Path

生成单文件 HTML 模型报告。

参数：

名称	类型	描述	默认
`path`	`str`	输出路径。	`'mars_model_report.html'`
`title`	`str \| None`	HTML 报告标题。	`None`
`run`	`Any \| None`	调参结果对象，用于补充审计元数据。	`None`
`scorecard`	`Any \| None`	评分卡对象，用于展示评分刻度。	`None`
`importance_table`	`DataFrame \| None`	特征重要性表。	`None`
`history_table`	`DataFrame \| None`	调参历史表。	`None`
`top_features`	`int`	HTML 中展示的重要特征数量。	`20`
`dpi`	`int`	Matplotlib 图片分辨率。	`150`

返回：

类型	描述
`Path`	写出的 HTML 文件路径。

示例：

>>> from pathlib import Path
>>> from tempfile import TemporaryDirectory
>>> report = MarsModelingReport(pd.DataFrame({"metric": [1.0]}))
>>> with TemporaryDirectory() as tmp:
...     path = report.to_html(str(Path(tmp) / "report.html"))
...     path.name
'report.html'

Modeling / Pipeline¶

能力索引¶

Pipeline 编排¶

mars.pipeline.MarsModelingPipeline ¶

__init__ ¶

fit ¶

transform ¶

predict ¶

mars.pipeline.MarsPipelineStep ¶

__init__ ¶

fit_transform abstractmethod ¶

transform abstractmethod ¶

mars.pipeline.MarsSelectionStep ¶

__init__ ¶

fit_transform ¶

transform ¶

mars.pipeline.MarsWOEBinningStep ¶

__init__ ¶

fit_transform ¶

transform ¶

mars.pipeline.MarsModelingStep ¶

__init__ ¶

fit_transform ¶

transform ¶

mars.pipeline.MarsPipelineResult dataclass ¶

mars.pipeline.MarsStepResult dataclass ¶

Session¶

mars.modeling.MarsModelingSession ¶

last_run property ¶

best_model property ¶

best_score property ¶

best_params property ¶

history_table property ¶

last_feature_growth_run property ¶

__init__ ¶

slice ¶

tune ¶

tune_incrementally ¶

evaluate ¶

replay ¶

Data Splitter¶

mars.modeling.MarsModelDataSplitter ¶

engine_ property ¶

__init__ ¶

split_by_time_strictly ¶

split_hybrid_random_val ¶

split_by_target_observation ¶

Tuning¶

mars.modeling.MarsModelTuner ¶

best_model property ¶

best_score property ¶

best_params property ¶

history_table property ¶

__init__ ¶

tune ¶

mars.modeling.MarsModelReplayRunner ¶

replay ¶

Evaluation 与 Prediction¶

mars.modeling.MarsModelEvaluator ¶

__init__ ¶

evaluate ¶

mars.modeling.ModelPredictor ¶

__init__ ¶

predict ¶

evaluate ¶

Result Objects¶

mars.modeling.MarsModelTuningResult dataclass ¶

export_artifact ¶

from_artifact classmethod ¶

mars.modeling.MarsModelReplayResult dataclass ¶

export_artifact ¶

from_artifact classmethod ¶

mars.modeling.MarsFeatureGrowthResult dataclass ¶

best_model property ¶

best_score property ¶

best_features property ¶

export_artifact ¶

from_artifact classmethod ¶

mars.modeling.MarsModelingReport ¶

styled_summary property ¶

init ¶

init ¶

fit_transform `abstractmethod` ¶

transform `abstractmethod` ¶

init ¶

init ¶

init ¶

mars.pipeline.MarsPipelineResult `dataclass` ¶

mars.pipeline.MarsStepResult `dataclass` ¶

last_run `property` ¶

best_model `property` ¶

best_score `property` ¶

best_params `property` ¶

history_table `property` ¶

last_feature_growth_run `property` ¶

init ¶

engine_ `property` ¶

init ¶

best_model `property` ¶

best_score `property` ¶

best_params `property` ¶

history_table `property` ¶

init ¶

init ¶

init ¶

mars.modeling.MarsModelTuningResult `dataclass` ¶

from_artifact `classmethod` ¶

mars.modeling.MarsModelReplayResult `dataclass` ¶

from_artifact `classmethod` ¶

mars.modeling.MarsFeatureGrowthResult `dataclass` ¶

best_model `property` ¶

best_score `property` ¶

best_features `property` ¶

from_artifact `classmethod` ¶

styled_summary `property` ¶

init ¶