用途：基于 PyTorch 实现 MLP（多层全连接网络）进行二分类建模，流程为特征标准化 → MLP 训练（BatchNorm + Dropout + Early Stopping）→ 概率预测 → 三段式评估。适用高维特征交互建模、特征间存在复杂非线性关系、数据量充足（>10k 样本）以及对模型性能有较高追求（可与 XGBoost 做 ensemble）的场景。
主要参数：--data_path/-d 数据路径（parquet/csv，必选）；--target/-t 目标变量列名（0/1 二分类，必选）；--time_col 时间列名（默认 busi_dt）；--train_filter 训练集筛选条件；--oot_filter OOT 跨时间测试集条件；--oot_ratio 按时间切 OOT 比例（默认 0.20）；--val_ratio 从 train_full 切 val 比例（默认 0.25）；--random_seed（42）；--exclude_cols 排除列；--features 指定特征，不传则自动推断；--hidden_dims 隐藏层维度（默认 128,64,32）；--dropout（0.3）；--learning_rate（0.001）；--batch_size（512）；--epochs（100）；--patience 早停耐心轮数（10）；--weight_decay（1e-4）；--pos_weight 正样本权重（默认 auto）；--model_name；--report_output；--output_dir（默认 ./outputs/<ts>）；--config JSON 配置文件路径。
执行方式示例：python scripts/modeling.py --data_path ./data.parquet --target y_label --output_dir ./outputs/dnn_run；自定义网络结构可加 --hidden_dims "256,128,64" --dropout 0.4 --learning_rate 0.0005 --epochs 200。
输出产物：建模报告（Markdown，含数据切分、网络结构、训练曲线、三段式评估指标、稳定性分析）、模型文件（.pt，PyTorch state_dict + 模型配置，保存到 <output_dir>/models/）、训练日志（JSON，每 epoch 的 loss/AUC/KS）、result.json 结构化产物清单。
限制：目标变量必须为 0/1 二分类；建议训练样本 > 10k，小样本易过拟合；脚本自动中位数填充缺失值并添加缺失指示列，自动对数值特征做 StandardScaler；val loss 连续 patience 轮不下降即早停；本技能不提供调参，调参需切换到 dnn-tuning；自动检测 CUDA，无 GPU 时回退 CPU。上下游：前置 data-profiling → feature-analysis；后续 dnn-tuning、model-comparison；可与 xgb-modeling / lr-modeling 横向对比。