¿Existe una tercera opción para promediar métricas en caso de desequilibrio de clases y cómo se calcula?

Cuando hay un desequilibrio de clases en tareas de clasificación, a menudo se utilizan tres opciones de promediado de métricas (por ejemplo, precisión, recall, F1):

1. Promedio macro: calcula la métrica por separado para cada clase y luego las promedia sin tener en cuenta la cantidad de ejemplos en cada clase. Esto da un peso igual a cada clase.

2. Promedio micro: combina todos los verdaderos positivos, falsos positivos y falsos negativos de todas las clases y luego calcula la métrica. De esta manera, se considera la contribución total de todos los ejemplos.

3. Promedio ponderado: calcula la métrica para cada clase y luego las promedia con pesos proporcionales a la cantidad de ejemplos en cada clase. Esto permite tener en cuenta el desequilibrio, dando mayor peso a las clases más representadas.

Formalmente, el promedio ponderado para la métrica M se calcula así:

[ M_{weighted} = \sum_{i=1}^C w_i \times M_i, \quad w_i = \frac{N_i}{\sum_{j=1}^C N_j} ]

donde:

• (C) — número de clases,
• (M_i) — métrica para la clase (i),
• (N_i) — número de ejemplos en la clase (i).

El promedio ponderado ayuda a obtener una evaluación más realista de la calidad del modelo en presencia de desequilibrio de clases, manteniendo la influencia de cada clase proporcional a su frecuencia.