梯度提升 (GBDT/XGBoost): 解释 GBDT 的单调性约束与它的业务价值。

Core Concept: 强制模型对指定特征的响应单调；牺牲少量精度换取可解释性与合规性。

实现机制：在树的生长过程中，对施加单调约束的特征 xⱼ，要求<strong>子节点的预测值沿 xⱼ 方向单调不减（或单调不增）</strong>——具体做法是在分裂时检查左子树的预测是否 ≤ 右子树的预测（对单调递增约束），若不满足则拒绝该分裂或调整叶节点值（XGBoost 用'单调性投影'修正叶子权重）。由于 GBDT 是加法模型，若每棵树对 xⱼ 单调，则整体对 xⱼ 单调。<strong>业务价值</strong>：① <strong>可解释性与沟通</strong>——'信用分越高，违约概率越低'这类单调关系符合业务直觉与常识，便于向业务方、监管、客户解释；非单调的模型（如'收入 5 万时违约率最高'）虽可能更准但难以解释且可能被质疑。② <strong>合规要求</strong>——金融风控（如信贷评分）在许多司法辖区要求'不利因素'的解释可被验证，单调性使'为什么被拒'的解释一致可信；医疗风险模型也常要求单调。③ <strong>鲁棒性</strong>——单调约束相当于强正则，减少过拟合（尤其在数据稀疏的区域），提升分布外稳定性。④ <strong>因果关系</strong>——若已知某因素对结果有单调的因果效应（如'药物剂量越高疗效越好'），约束可注入该先验知识。

实践要点：① <strong>设置方法</strong>——XGBoost 用 <code>monotone_constraints</code>（+1 递增、−1 递减、0 无约束）、LightGBM 用 <code>monotone_constraints</code> 与 <code>monotone_constraints_method</code>（basic/intermediate/advanced，越高级越精确但越慢）。② <strong>代价</strong>——单调约束<strong>降低模型灵活性</strong>，可能损失精度（尤其当真实关系确实非单调时）；实践中应<strong>先验证真实关系是否单调</strong>（用无约束模型的偏依赖图 PDP/ICE 观察），再决定是否加约束。③ <strong>偏依赖图（PDP）验证</strong>——画无约束模型对 xⱼ 的 PDP，若呈单调则可安全加约束（几乎无损），若非单调则加约束会有明显代价。④ <strong>只对部分特征约束</strong>——通常只对少数关键特征（业务强要求或已知因果方向）加约束，其余保持自由；全局约束会严重损害精度。⑤ <strong>与交互的冲突</strong>——若 xⱼ 与 xₖ 存在强交互（xⱼ 的效应依赖 xₖ），单调约束可能与其他特征的分裂冲突，导致约束难以满足或精度下降。⑥ <strong>替代方案</strong>——若只需'可解释的单调关系'，也可用<strong>广义加性模型（GAM）</strong>（如 Explainable Boosting Machine，EBM）——它天然给出每个特征的形状函数（可加、可解释），且能施加单调约束，是'可解释 ML'的主流方案。