Mi a monoton korlátok és miért vannak rájuk szükség?

Monoton korlátozások (monoton korlátozások) olyan korlátozások, amelyeket egy gépi tanulási modellre alkalmaznak annak érdekében, hogy biztosítsák, hogy a modell előrejelzései bizonyos jellemzőktől monoton módon függenek. Vagyis, ha egy jellemző értéke növekszik (vagy csökken), a modell előrejelzésének nem szabad csökkennie (vagy növekednie).

Ennek mi a célja?

• Érthetőség: Egyes feladatokban az üzleti logika vagy az egészséges észjárás megköveteli, hogy egy jellemző hatása a célváltozóra monoton legyen. Például, ha egy ügyfél jövedelme növekszik, akkor a hitel jóváhagyásának valószínűségének nem szabad csökkennie.
• A modell stabilitása: A monoton korlátozások segítenek elkerülni a logikátlan vagy váratlan változásokat az előrejelzésekben.
• Általánosítás javítása: Bizonyos esetekben ezek a korlátozások segítenek a modellnek jobban általánosítani, különösen kis adatmennyiség esetén.

Boosting algoritmusokban (például LightGBM, XGBoost) beállíthatók monoton korlátozások bizonyos jellemzőkre, hogy a modell figyelembe vegye ezeket az elvárásokat a fák építése során.

Példa a LightGBM-ben való használatra:

import lightgbm as lgb

# Monoton függőség beállítása: 1 monoton növekvő függőség, -1 csökkenő, 0 korlátozás nélküli
monotone_constraints = [1, 0, -1]  # három jellemzőre

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

# Ezután létrehozzuk az adathalmazt és kiképzzük a modellt ezekkel a paraméterekkel

Így a monoton korlátozások segítenek az szakértői tudás beépítésében a modellbe, és elősegítik, hogy a viselkedése előrejelezhetőbb és logikusabb legyen.