平均特征后,学习算法的准确性下降

我正试图清理一个巨大的数据集。在这个数据集中,我有6列代表1-10的评级系统。因此,第一栏根据吸引力来评价一个人,第二栏根据智力等来评价一个人。

attr1  attr2  attr3  attr4  attr5  attr6
2      5      6      8      7      2
5      9      6      9      7      3
9      8      7      5      8      6
     ...                ...

我决定找到所有这些列的平均值,并将其保存到一个新列中,然后删除这些列,因此现在我只剩下(attr1-attr6)了。。。

avg_attr
5
6.5
7.166
...

代码是。。。

data['avg_attr'] = data[['attr1', 'attr2', 'attr3', 'attr4', 'attr5', 'attr6']].mean(axis=1)

# Convert columns to 1-dimensional Series array
series = data.columns.to_series()

# Attribute data can be dropped because we already have the total mean.
data = data.drop(series["attr1":"attr6"], axis=1)

..当我这样做的时候,我希望算法的准确性不会受到这种变化的太大影响,而且我认为它还有一个额外的好处,那就是使我的数据看起来更干净。然而,在应用此更改后,准确率略有下降,为什么会这样?是因为我的算法现在对数据拟合不足吗?

另外,我可以用这些属性来提高准确率吗?