Cosa sono i vincoli monotoni e a cosa servono?

Le restrizioni monotone (vincoli monotoni) sono restrizioni imposte a un modello di apprendimento automatico per garantire che le previsioni del modello dipendano in modo monotono da determinati attributi. Cioè, aumentando (o diminuendo) il valore di un attributo, la previsione del modello non dovrebbe diminuire (o aumentare).

A cosa serve?

• Interpretabilità: In alcuni compiti, la logica aziendale o il buon senso stabiliscono che l'influenza di un attributo sulla variabile target debba essere monotona. Ad esempio, aumentando il reddito del cliente, la probabilità di approvazione del credito non dovrebbe diminuire.
• Stabilità del modello: Le restrizioni monotone aiutano a evitare cambiamenti illogici o inaspettati nelle previsioni.
• Miglioramento della generalizzazione: In alcuni casi, tali restrizioni aiutano il modello a generalizzare meglio, specialmente con un volume di dati ridotto.

Negli algoritmi di boosting (ad esempio, LightGBM, XGBoost), è possibile impostare restrizioni monotone per attributi specifici, affinché il modello tenga conto di questi requisiti durante la costruzione degli alberi.

Esempio di utilizzo in LightGBM:

import lightgbm as lgb

# Impostiamo restrizioni monotone: 1 indica dipendenza monotona crescente, -1 decrescente, 0 senza restrizioni
monotone_constraints = [1, 0, -1]  # per tre attributi

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

# Successivamente, creiamo il dataset e addestriamo il modello con questi parametri

In questo modo, le restrizioni monotone aiutano a integrare le conoscenze degli esperti nel modello e a renderne il comportamento più prevedibile e logico.