¿Qué son las restricciones monótonicas y para qué sirven?

Las restricciones monótonas (restricciones monótonas) son restricciones impuestas a un modelo de aprendizaje automático para garantizar que las predicciones del modelo dependan de manera monótona de ciertos atributos. Es decir, al aumentar (o disminuir) el valor de un atributo, la predicción del modelo no debe disminuir (o aumentar).

¿Para qué sirve esto?

• Interpretabilidad: En algunos problemas, la lógica empresarial o el sentido común dictan que la influencia de un atributo en la variable objetivo debe ser monótona. Por ejemplo, al aumentar los ingresos del cliente, la probabilidad de aprobación del crédito no debe disminuir.
• Estabilidad del modelo: Las restricciones monótonas ayudan a evitar cambios ilógicos o inesperados en las predicciones.
• Mejora de la generalización: En algunos casos, estas restricciones ayudan al modelo a generalizar mejor, especialmente con un volumen de datos pequeño.

En algoritmos de boosting (por ejemplo, LightGBM, XGBoost), se pueden establecer restricciones monótonas para atributos específicos, para que el modelo tenga en cuenta estos requisitos al construir árboles.

Ejemplo de uso en LightGBM:

import lightgbm as lgb

# Establecemos restricciones monótonas: 1 significa dependencia monótonamente creciente, -1 — decreciente, 0 — sin restricción
monotone_constraints = [1, 0, -1]  # para tres atributos

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

# Luego creamos el conjunto de datos y entrenamos el modelo con estos parámetros

De esta manera, las restricciones monótonas ayudan a incorporar conocimientos expertos en el modelo y a hacer que su comportamiento sea más predecible y lógico.