深度学习在预测儿童营养不良方面优于传统机器学习方法：来自调查数据的证据
机器学习
2026-02-12 v1
摘要
儿童营养不良仍是南亚等资源匮乏地区的重大公共卫生问题，而传统案例发现方法在偏远地区往往代价高昂且不可得。本研究提供了首个针对尼泊尔五岁以下儿童营养不良的机器学习和深度学习方法综合评估。我们系统比较了16种算法，涵盖深度学习、梯度提升和传统机器学习家族，使用来自尼泊尔多重指标集群调查（MICS）2019年的数据。构建了一个综合营养不良指标，整合了营养不良、偏瘦和偏瘦状态，并使用十个评估指标评估模型性能，重点关注 F1 分数和召回率，以account for 严重的类别不平衡和未检测到营养不良儿童的高昂成本。所有模型中，TabNet 性能最佳，可能归因于其注意力机制架构，显著优于支持向量机和 AdaBoost 分类器。共识特征重要性分析识别出母亲教育水平、家庭财富指数和儿童年龄为营养不良的主要预测因子，随后是地理特征、疫苗接种情况和进食频率。总体而言，这些结果展示了一个可扩展的、基于调查的筛查框架，用于识别儿童营养不良风险并指导针对性营养干预。该方法支持尼泊尔实现可持续发展目标，并为全球类似资源匮乏地区提供可迁移的方法ological 模板。
引用
@article{arxiv.2602.10381,
title = {Deep learning outperforms traditional machine learning methods in predicting childhood malnutrition: evidence from survey data},
author = {Deepak Bastola and Yang Li},
journal= {arXiv preprint arXiv:2602.10381},
year = {2026}
}
备注
21 pages, 10 figures