Почему мой MLP с 2 функциями работает хуже, чем MLP с 1 функцией, где одна функция представляет собой комбинацию Feature1 * Feature2

Question

Я запрограммировал MLP для набора данных (~ 500 строк), содержащего длину (L) и ширину (W) организма, а также выход биомассы (вес организма в фунтах, B).

            mlp = MLPRegressor((5, 5), max_iter=1000)

Я обучил модель с особенностями

# Model 1
# Input = Feature 1: Length, Feature 2: Width. Output = Biomass
df = {'length': [60.1, 59.2, 59.4, 58.5], 'width': [15.4, 16.2, 14.9, 15.7], 'weight': [8.34, 7,65, 7.89, 7.14]}


# Model 2
# Input =  Feature 1: Length * Width^2. Output = Biomass
df = {'length*height^2': [60.1, 59.2, 59.4, 58.5], 'weight': [14253.31, 15536.44, 13187.39, 14419.66]}

Общая точность моей модели с одной функцией составляет более 95%, однако точность с отдельными функциями составляет около 85%.

Мое понимание MLP состоит в том, что Модель 1 должна работать лучше, чем модель 2, поскольку она в основном найдет наилучшее сочетание длины и высоты с биомассой, однако моя модель с 1 характеристикой работает значительно лучше. Я также попытался стандартизировать набор данных с помощью масштабатора, но безуспешно.

scaler = StandardScaler()