Wat zijn monotone beperkingen en waar zijn ze voor nodig?

Monotone beperkingen (monotone beperkingen) zijn beperkingen die aan een machine learning-model worden opgelegd om te garanderen dat de voorspellingen van het model monotoon afhankelijk zijn van bepaalde kenmerken. Dat wil zeggen, bij het verhogen (of verlagen) van de waarde van een kenmerk, mag de voorspelling van het model niet afnemen (of toenemen).

Waarvoor is dit nodig?

• Interpreteerbaarheid: In sommige taken dicteert de bedrijfslogica of gezond verstand dat de invloed van een kenmerk op de doelvariabele monotoon moet zijn. Bijvoorbeeld, bij het verhogen van het inkomen van een klant, mag de kans op goedkeuring van een lening niet afnemen.
• Stabiliteit van het model: Monotone beperkingen helpen onlogische of onverwachte veranderingen in voorspellingen te voorkomen.
• Verbetering van generalisatie: In sommige gevallen helpen deze beperkingen het model beter te generaliseren, vooral bij kleine datasets.

In boosting-algoritmen (bijvoorbeeld LightGBM, XGBoost) kunnen monotone beperkingen worden ingesteld voor specifieke kenmerken, zodat het model deze vereisten in overweging neemt bij het bouwen van bomen.

Voorbeeld van gebruik in LightGBM:

import lightgbm as lgb

# Stel monotone beperkingen in: 1 betekent monotoon toenemende afhankelijkheid, -1 afnemende, 0 zonder beperking
monotone_constraints = [1, 0, -1]  # voor drie kenmerken

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

# Vervolgens maken we de dataset en trainen we het model met deze parameters

Op deze manier helpen monotone beperkingen om deskundige kennis in het model te integreren en het gedrag ervan voorspelbaarder en logischer te maken.