Czym są ograniczenia monotoniczne i do czego służą?

Ograniczenia monotoniczne (ograniczenia monotoniczne) to ograniczenia nakładane na model uczenia maszynowego, aby zagwarantować, że prognozy modelu będą monotonicznie zależne od określonych cech. To znaczy, że przy zwiększaniu (lub zmniejszaniu) wartości cechy, prognoza modelu nie powinna się zmniejszać (lub zwiększać).

Po co to jest?

• Interpretowalność: W niektórych zadaniach logika biznesowa lub zdrowy rozsądek nakazują, że wpływ cechy na zmienną docelową powinien być monotoniczny. Na przykład, przy zwiększaniu dochodu klienta, prawdopodobieństwo zatwierdzenia kredytu nie powinno się zmniejszać.
• Stabilność modelu: Ograniczenia monotoniczne pomagają unikać nielogicznych lub niespodziewanych zmian w prognozach.
• Poprawa uogólniania: W niektórych przypadkach takie ograniczenia pomagają modelowi lepiej uogólniać, szczególnie przy małej ilości danych.

W algorytmach boosting (np. LightGBM, XGBoost) można ustawić ograniczenia monotoniczne dla poszczególnych cech, aby model uwzględniał te wymagania podczas budowania drzew.

Przykład użycia w LightGBM:

import lightgbm as lgb

# Ustawiamy ograniczenia monotoniczne: 1 oznacza rosnącą zależność monotoniczną, -1 malejącą, 0 bez ograniczeń
monotone_constraints = [1, 0, -1]  # dla trzech cech

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

# Następnie tworzymy zestaw danych i trenujemy model z tymi parametrami

W ten sposób ograniczenia monotoniczne pomagają wbudować wiedzę ekspercką w model i uczynić jego zachowanie bardziej przewidywalnym i logicznym.