Какви са монотонните ограничения и защо са необходими?

Монотонните ограничения (монотонни ограничения) са ограничения, наложени на модел за машинно обучение, за да се гарантира, че прогнозите на модела зависят монотонно от определени характеристики. Тоест, при увеличаване (или намаляване) на стойността на характеристика, прогнозата на модела не трябва да намалява (или да увеличава).

За какво е това?

• Интерпретируемост: В някои задачи бизнес логиката или здравият разум диктуват, че влиянието на характеристика върху целевата променлива трябва да бъде монотонно. Например, при увеличаване на дохода на клиента, вероятността за одобрение на кредит не трябва да намалява.
• Стабилност на модела: Монотонните ограничения помагат да се избегнат нелогични или неочаквани промени в прогнозите.
• Подобряване на обобщението: В някои случаи такива ограничения помагат на модела да обобщава по-добре, особено при малък обем данни.

В алгоритмите за буустинг (например LightGBM, XGBoost) може да се зададат монотонни ограничения за отделни характеристики, за да се вземат предвид тези изисквания при построяването на дървета.

Пример за използване в LightGBM:

import lightgbm as lgb

# Задаваме монотонни ограничения: 1 означава монотонно нарастваща зависимост, -1 — намаляваща, 0 — без ограничение
monotone_constraints = [1, 0, -1]  # за три характеристики

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

# След това създаваме датасет и обучаваме модела с тези параметри

По този начин, монотонните ограничения помагат да се вгради експертното знание в модела и да се направи поведението му по-предсказуемо и логично.