Is er een derde optie voor het middelen van metrics bij klasse-imbalans en hoe wordt deze berekend?

Wanneer er een klasse-ongelijkheid is in classificatietaken, worden vaak drie opties voor het middelen van metrics (bijvoorbeeld precisie, recall, F1) gebruikt:

1. Macro-gemiddelde: berekent de metric afzonderlijk voor elke klasse en neemt vervolgens het gemiddelde zonder rekening te houden met het aantal voorbeelden in elke klasse. Dit geeft elke klasse een gelijke weging.

2. Micro-gemiddelde: combineert alle ware positieven, valse positieven en valse negatieven van alle klassen en berekent vervolgens de metric. Op deze manier wordt de totale bijdrage van alle voorbeelden meegenomen.

3. Gewogen gemiddelde: berekent de metric voor elke klasse en neemt vervolgens het gewogen gemiddelde met gewichten die evenredig zijn aan het aantal voorbeelden in elke klasse. Dit maakt het mogelijk om rekening te houden met de ongelijkheid, door meer gewicht te geven aan de meer vertegenwoordigde klassen.

Formeel wordt het gewogen gemiddelde voor de metric M als volgt berekend:

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

waar:

• (C) — aantal klassen,
• (M_i) — metric voor klasse (i),
• (N_i) — aantal voorbeelden in klasse (i).

Het gewogen gemiddelde helpt om een meer realistische beoordeling van de modelkwaliteit te krijgen bij klasse-ongelijkheid, door de invloed van elke klasse proportioneel aan de frequentie te behouden.