Existuje tretia možnosť priemerného hodnotenia metrík pri nerovnováhe tried a ako sa počíta?

Keď v úlohách klasifikácie existuje nerovnováha medzi triedami, často sa používajú tri možnosti priemerných metrík (napríklad presnosť, recall, F1):

1. Makro-priemer: vypočíta metriku samostatne pre každú triedu a potom ich priemeruje bez ohľadu na počet príkladov v triedach. To dáva rovnakú váhu každej triede.

2. Mikro-priemer: spája všetky pravdivé pozitívy, falošné pozitívy a falošné negatívy zo všetkých tried a potom vypočíta metriku. Tým sa zohľadní celkový príspevok všetkých príkladov.

3. Vážený priemer: vypočíta metriku pre každú triedu a potom ich priemeruje s váhami úmernými počtu príkladov v danej triede. To umožňuje zohľadniť nerovnováhu a dať väčšiu váhu triedam s väčším zastúpením.

Formálne sa vážený priemer pre metriku M počíta takto:

[ 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) — počet tried,
• (M_i) — metrika pre triedu (i),
• (N_i) — počet príkladov v triede (i).

Vážený priemer pomáha získať realistickejšie hodnotenie kvality modelu pri nerovnováhe medzi triedami, zachovávajúc vplyv každej triedy úmerne jej frekvencii.