Mis on monotoonilised piirangud ja milleks need on vajalikud?

Monotonic constraints (monotoonsed piirangud) on piirangud, mida rakendatakse masinõppemudelile, et tagada, et mudeli ennustused sõltuvad monotoonselt teatud tunnustest. See tähendab, et kui tunnuse väärtus suureneb (või väheneb), ei tohiks mudeli ennustus väheneda (või suureneda).

Miks see vajalik on:

• Tõlgendatavus: Mõnes ärilistes ülesannetes dikteerib äriloogika või tervemõistus, et tunnuse mõju sihtmuutujale peaks olema monotoonne. Näiteks, kui kliendi sissetulek suureneb, ei tohiks krediidi heakskiidu tõenäosus väheneda.
• Stabiilsus: Monotoonsed piirangud aitavad vältida ebaloogilisi või ootamatuid muutusi ennustustes.
• Üldistamise parandamine: Mõnel juhul aitavad sellised piirangud mudelil paremini üldistada, eriti väikese andmekogumi korral.

Boosting-algoritmides (näiteks LightGBM, XGBoost) saab määrata monotoonsed piirangud üksikutele tunnustele, et mudel arvestaks neid nõudeid puude ehitamisel.

Näide LightGBM-is:

import lightgbm as lgb

# Määrame monotoonsed piirangud: 1 tähendab monotoonselt kasvavat sõltuvust, -1 — kahanevat, 0 — piiranguteta
monotone_constraints = [1, 0, -1]  # kolme tunnuse jaoks

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

# Seejärel loome andmestiku ja treenime mudeli nende parameetritega

Seega aitavad monotoonsed piirangud integreerida ekspertteadmisi mudelisse ning muuta selle käitumise ennustatavamaks ja loogilisemaks.