用梯度提升+轻量MLP混合模型，提升糖尿病预测效果。
Hybrid(Penalized Regression and MLP) Models for Outcome Prediction in HDLSS Health Data
- 先用XGBoost提取特征，再接轻量MLP做预测。
- 在NHANES数据上AUC和平衡准确率均优于基线模型。
- 适合想复现健康数据预测的开发者或研究人员。
本文将成熟的机器学习技术应用于NHANES健康调查数据，用于预测糖尿病状态。对比了逻辑回归、随机森林、XGBoost等基线模型，提出一种混合方法：使用XGBoost作为特征编码器，搭配轻量级多层感知机（MLP）作为预测头。实验表明，该混合模型在处理后的NHANES子集上，相比基线模型取得了更高的AUC和平衡准确率。代码与可复现脚本已公开，以促进研究复制。
原文摘要 · Abstract (English)
I present an application of established machine learning techniques to NHANES health survey data for predicting diabetes status. I compare baseline models (logistic regression, random forest, XGBoost) with a hybrid approach that uses an XGBoost feature encoder and a lightweight multilayer perceptron (MLP) head. Experiments show the hybrid model attains improved AUC and balanced accuracy compared to baselines on the processed NHANES subset. I release code and reproducible scripts to encourage replication.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。