Čo sú to monotónne obmedzenia a na čo slúžia?

Monotónne obmedzenia (monotónne obmedzenia) sú obmedzenia uložené modelu strojového učenia, ktoré zabezpečujú, že predpovede modelu závisia monotónne od určitých vlastností. To znamená, že pri zvyšovaní (alebo znižovaní) hodnoty vlastnosti by predpoveď modelu nemala klesať (alebo stúpať).

Na čo je to potrebné?

• Interpretovateľnosť: V niektorých úlohách podniková logika alebo zdravý rozum diktujú, že vplyv vlastnosti na cieľovú premennú by mal byť monotónny. Napríklad, pri zvyšovaní príjmu klienta, pravdepodobnosť schválenia úveru by nemala klesať.
• Stabilita modelu: Monotónne obmedzenia pomáhajú vyhnúť sa nelogickým alebo nečakaným zmenám v predpovediach.
• Zlepšenie generalizácie: V niektorých prípadoch takéto obmedzenia pomáhajú modelu lepšie generalizovať, najmä pri malom objeme dát.

V algoritmoch boosting (napríklad LightGBM, XGBoost) je možné nastaviť monotónne obmedzenia pre jednotlivé vlastnosti, aby model bral tieto požiadavky do úvahy pri budovaní stromov.

Príklad použitia v LightGBM:

import lightgbm as lgb

# Nastavujeme monotónne obmedzenia: 1 znamená monotónne rastúcu závislosť, -1 klesajúcu, 0 bez obmedzenia
monotone_constraints = [1, 0, -1]  # pre tri vlastnosti

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

# Následne vytvoríme dataset a natrénujeme model s týmito parametrami

Takto, monotónne obmedzenia pomáhajú začleniť odborné znalosti do modelu a spraviť jeho správanie predvídateľnejším a logickejším.