machine-learning - 为什么当我使用更多变量时，ROC 中的曲线下面积 (AUC) 会减小？

Question

我的数据集有 100 个特征的 400 个观察值。400 个观测值中的每一个都属于 2 个类中的 1 个。

我正在 MATLAB 中训练一个神经网络（patternet(15)）来对该数据集进行分类。
我不会一次使用所有功能，但首先我使用一个功能 (400x1)，然后添加第二个功能 (400x2)，依此类推。在每一步，我都使用perfcurve计算 AUC 。

这是我的问题：

AUC 正在发生变化，但并不总是随着每个额外的输入而变大。
随着我使用更多功能来训练网络，AUC 不应该增加吗？（我总是通过divideind使用相同的划分）。

感谢所有评论和帮助！谢谢！

Answer 1

也许第一个特征更具辨别力，而最后一个特征只会增加噪音！您可以尝试运行一个随机森林，看看哪些特征是类别之间最具区分性的