为了开发可靠且合理的逻辑回归模型，这些算法被依次使用在模型开发过程中：
1. 快速数据画像；
2. 迭代合并变量分箱算法；
3. 皮尔逊相关系数算法；
4. 增强型逐步回归。
每一种算法，都在开源标准化算法包的基础上做了大量优化，提升运算性能及减少硬件消耗，以便轻松处理具有大量特征的数据集。

1. 快速数据画像
使用快速数据画像，能够在 20 秒内对具有500个变量的 10 万样本完成数据画像，计算包括各分位数，唯一值，缺失率等各项统计值。根据数据画像的结果， 符合以下任意一种条件的变量会被剔除：a. 缺失率大于 95% 的变量；b. 取值范围唯一值等于 1 的变量； c. 时间型变量(datetime)；d. 字符型变量且取值范围唯一值大于 20 的变量。
设置：被剔除变量缺失率阈值（默认 95%），字符型变量唯一值（默认 20）。

2. 迭代合并变量分箱算法
一般情况下，合理的变量分箱应满足以下条件：a. 分箱后变量的 WoE 值是单调的；b. 两个相邻分箱之间的 WoE 值至少相差 20； c. 任意一个分箱的占比应大于总样本数的 5%。迭代合并变量分箱算法能够在以上条件都满足的情况下，寻求 IV 值最大化的分箱结果，且速度优异， 对于 10 万样本的数据集，每一个变量平均仅需 1 秒即可完成迭代分箱。
设置：保持 WoE 值单调（默认是），相邻分箱之间的 WoE 差值（默认 20），单个分箱的最小占比（默认 5%），用于剔除变量的 IV 阈值（默认 0.02）。

3. 皮尔逊相关系数
所有的 WoE 变量，两两运行皮尔逊相关系数，对于相关系数大于 0.9 的两个 WoE 变量，只保留 IV 值较大的一个。
设置：用于剔除变量的相关系数阈值（默认 0.9）。

4. 增强型逐步回归
在传统逐步回归的基础上，即在显著性水平（P 值）的判断的基础上，加入变量系数的判断，以便更严格地选择变量。每一步放入模型的变量， 必须是最显著的（P 值最小且 P 值小于等于 0.05） 同时变量系数正确的（变量系数为负值）；每一步剔除的变量， 是最不显著的（P 值最大且 P 值大于等于 0.05）或者变量系数不正确的（变量系数为正值）。
设置：确保入模变量系数均为负值（默认是），变量进入模型的显著性水平（默认 0.05），变量退出模型的显著性水平（默认 0.05）。