Al entrenar modelos en conjuntos de datos desequilibrados donde algunas clases tienen muchos más ejemplos que otras, ¿qué métrica mide mejor qué tan bien el modelo equilibra la detección y el etiquetado correctos de las clases?

La puntuación F1 es la mejor métrica para conjuntos de datos desequilibrados porque es la media armónica de la precisión y la exhaustividad (recall). Esto significa que considera tanto los falsos positivos como los falsos negativos, proporcionando una medida equilibrada del rendimiento del modelo, especialmente cuando una clase es minoritaria. La Exactitud (Accuracy) puede ser engañosa en conjuntos de datos desequilibrados porque un modelo podría lograr una alta precisión simplemente prediciendo la clase mayoritaria. La Precisión (Precision) solo mide la proporción de predicciones positivas correctas, sin tener en cuenta los falsos negativos. La Exhaustividad (Recall) solo mide la proporción de positivos reales que se identificaron correctamente, sin considerar los falsos positivos.