Monoton kısıtlamalar nedir ve neden gereklidirler?

Monoton kısıtlamalar (monoton kısıtlamalar), makine öğrenimi modeline uygulanan ve model tahminlerinin belirli özelliklere monoton şekilde bağlı olmasını garanti eden kısıtlamalardır. Yani, bir özelliğin değeri arttıkça (veya azaldıkça), model tahmini azalmamalı (veya artmamalıdır).

Bunun amacı nedir?

• Yorumlanabilirlik: Bazı durumlarda, iş mantığı veya sağduyu, bir özelliğin hedef değişken üzerindeki etkisinin monoton olması gerektiğini söyler. Örneğin, müşterinin geliri arttıkça, kredi onaylanma olasılığı azalmamalıdır.
• Modelin istikrarı: Monoton kısıtlamalar, tahminlerde mantıksız veya beklenmedik değişiklikleri önlemeye yardımcı olur.
• Genelleme yeteneğinin artırılması: Bazı durumlarda, bu kısıtlamalar modelin daha iyi genellemesine yardımcı olur, özellikle az veri ile çalışırken.

LightGBM, XGBoost gibi boosting algoritmalarında, belirli özellikler için monoton kısıtlamalar ayarlanabilir, böylece model bu gereksinimleri göz önünde bulundurur.

LightGBM'de kullanım örneği:

import lightgbm as lgb

# Monoton bağımlılığı belirliyoruz: 1 artan bağımlılık, -1 azalan, 0 kısıtlama yok
monotone_constraints = [1, 0, -1]  # üç özellik için

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

# Daha sonra veri setini oluşturup, bu parametrelerle modeli eğitiyoruz

Bu şekilde, monoton kısıtlamalar, uzman bilgilerini modele entegre etmeye ve modelin davranışını daha öngörülebilir ve mantıklı hale getirmeye yardımcı olur.