Τι είναι οι μονοτονικές περιορισμοί και ποιος είναι ο σκοπός τους;

Οι μονοτονικές περιορισμοί (μονοτονικοί περιορισμοί) είναι περιορισμοί που επιβάλλονται σε ένα μοντέλο μηχανικής μάθησης για να διασφαλιστεί ότι οι προβλέψεις του μοντέλου εξαρτώνται μονοτονικά από ορισμένα χαρακτηριστικά. Δηλαδή, όταν αυξάνεται (ή μειώνεται) η τιμή ενός χαρακτηριστικού, η πρόβλεψη του μοντέλου δεν πρέπει να μειώνεται (ή να αυξάνεται).

Ποιος είναι ο σκοπός;

• Ερμηνευσιμότητα: Σε ορισμένα προβλήματα, η επιχειρηματική λογική ή η κοινή λογική επιβάλλει ότι η επίδραση ενός χαρακτηριστικού στη μεταβλητή-στόχο πρέπει να είναι μονοτονική. Για παράδειγμα, όταν αυξάνεται το εισόδημα ενός πελάτη, η πιθανότητα έγκρισης δανείου δεν πρέπει να μειώνεται.
• Σταθερότητα του μοντέλου: Οι μονοτονικοί περιορισμοί βοηθούν στην αποφυγή παράλογων ή απροσδόκητων αλλαγών στις προβλέψεις.
• Βελτίωση της γενίκευσης: Σε ορισμένες περιπτώσεις, τέτοιοι περιορισμοί βοηθούν το μοντέλο να γενικεύει καλύτερα, ειδικά με μικρό όγκο δεδομένων.

Στους αλγόριθμους boosting (π.χ., LightGBM, XGBoost), μπορούν να οριστούν μονοτονικοί περιορισμοί για συγκεκριμένα χαρακτηριστικά, ώστε το μοντέλο να λαμβάνει υπόψη αυτές τις απαιτήσεις κατά τη δημιουργία δέντρων.

Παράδειγμα χρήσης στο LightGBM:

import lightgbm as lgb

# Ορίζουμε μονοτονικούς περιορισμούς: 1 σημαίνει μονοτονικά αυξανόμενη εξάρτηση, -1 μειούμενη, 0 χωρίς περιορισμό
monotone_constraints = [1, 0, -1]  # για τρία χαρακτηριστικά

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

# Στη συνέχεια, δημιουργούμε το σύνολο δεδομένων και εκπαιδεύουμε το μοντέλο με αυτούς τους παραμέτρους

Έτσι, οι μονοτονικοί περιορισμοί βοηθούν στην ενσωμάτωση εμπειρικών γνώσεων στο μοντέλο και καθιστούν τη συμπεριφορά του πιο προβλέψιμη και λογική.