Что такое monotonic constraints и зачем они нужны?

Monotonic constraints (монотонные ограничения) — это ограничения, накладываемые на модель машинного обучения, чтобы гарантировать, что предсказания модели монотонно зависят от определённых признаков. То есть при увеличении (или уменьшении) значения признака предсказание модели не должно уменьшаться (или увеличиваться).

Зачем это нужно:

• Интерпретируемость: В некоторых задачах бизнес-логика или здравый смысл диктуют, что влияние признака на целевую переменную должно быть монотонным. Например, при увеличении дохода клиента вероятность одобрения кредита не должна уменьшаться.
• Стабильность модели: Монотонные ограничения помогают избежать нелогичных или неожиданных изменений в предсказаниях.
• Улучшение обобщения: В некоторых случаях такие ограничения помогают модели лучше обобщать, особенно при небольшом объёме данных.

В бустинговых алгоритмах (например, LightGBM, XGBoost) можно задать монотонные ограничения для отдельных признаков, чтобы модель учитывала эти требования при построении деревьев.

Пример использования в LightGBM:

import lightgbm as lgb

# Задаём монотонные ограничения: 1 означает монотонно возрастающая зависимость, -1 — убывающая, 0 — без ограничения
monotone_constraints = [1, 0, -1]  # для трёх признаков

params = {
    'objective': 'regression',
    'monotone_constraints': monotone_constraints
}

# Далее создаём датасет и обучаем модель с этими параметрами

Таким образом, монотонные ограничения помогают встроить экспертные знания в модель и сделать её поведение более предсказуемым и логичным.