La toma sistemática de decisiones en ingeniería requiere modelos apropiados. En este artículo, presentamos un método de regresión para mejorar el poder predictivo de un modelo mediante la explotación del conocimiento experto en forma de restricciones de forma, o más específicamente, restricciones de monotonía. La incorporación de esta información es particularmente útil cuando los conjuntos de datos disponibles son pequeños o no cubren todo el espacio de entrada, como suele ser el caso en aplicaciones de fabricación. Establecemos la regresión sujeta a las restricciones de monotonía consideradas como un problema de optimización semi-infinito, y proponemos un algoritmo de solución adaptativo. El método es aplicable en múltiples dimensiones y se puede extender a restricciones de forma más generales. Se probó y validó en dos procesos de fabricación del mundo real, a saber, el doblado de vidrio con láser y el endurecimiento por prensado de chapa metálica. Se encontró que los modelos resultantes cumplían bien con el conocimiento de monotonía del experto y predecían con precisión los datos de entrenamiento. El enfoque sugerido condujo a errores cuadráticos medios inferiores que los métodos comparativos de la literatura para los conjuntos de datos dispersos considerados en este trabajo.