混合（惩罚回归与MLP）模型在HDLSS健康数据中的结果预测应用
Hybrid(Penalized Regression and MLP) Models for Outcome Prediction in HDLSS Health Data
AI总结：
本文提出了一种结合惩罚回归和MLP的混合模型，用于预测HDLSS健康数据中的糖尿病状态，实验显示其在AUC和平衡准确性上优于传统基线模型。
摘要：
我展示了已建立的机器学习技术在NHANES健康调查数据中的应用，用于预测糖尿病状态。我比较了基线模型（逻辑回归、随机森林、XGBoost）与一种混合方法，该方法使用XGBoost特征编码器和轻量级多层感知机（MLP）头。实验显示，混合模型在处理后的NHANES子集上实现了比基线更高的AUC和平衡准确性。我发布了代码和可重复的脚本以鼓励复制。
英文摘要：
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.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
