Weighted Average
La moyenne pondérée ("Weighted Average") est une technique statistique qui consiste à calculer une moyenne en tenant compte de l’importance relative de chaque valeur, représentée par un poids. Contrairement à la moyenne arithmétique simple, où chaque observation a la même importance, la moyenne pondérée attribue à chaque donnée un coefficient qui reflète sa pertinence, sa fréquence ou sa fiabilité.
En intelligence artificielle et en science des données, la moyenne pondérée est omniprésente. Par exemple, dans l’évaluation de modèles de classification multi-classes, on utilise souvent la « précision pondérée » ou le « F1-score pondéré » afin de tenir compte du déséquilibre entre classes : les classes rares reçoivent moins de poids, évitant que leur faible occurrence n’influence disproportionnellement la métrique globale. Dans les systèmes de recommandation, une moyenne pondérée des évaluations peut refléter à la fois la note donnée par un utilisateur et la crédibilité de cet utilisateur.
Cette méthode s’applique également en finance (calcul de portefeuilles boursiers pondérés selon le risque ou la capitalisation), en économie (indices de prix), ou dans l’industrie (qualité moyenne pondérée selon les volumes de production).
La moyenne pondérée permet de tenir compte du poids relatif de chaque observation. Là où une moyenne simple traite toutes les valeurs de manière équivalente, la pondération reflète leur pertinence ou leur fréquence. Cela se révèle crucial dans l’IA : par exemple, pour évaluer un modèle de classification fortement déséquilibré, les classes rares ne doivent pas “fausser” la performance globale.
D’un point de vue formel, la moyenne pondérée se calcule en multipliant chaque valeur par son poids, puis en divisant par la somme des poids. Mais l’enjeu n’est pas seulement mathématique : le choix des poids traduit des décisions stratégiques. Dans un portefeuille financier, les actifs plus risqués ou plus volatils peuvent recevoir des pondérations ajustées pour mieux refléter la réalité.
Un défi courant est la transparence : il faut expliquer pourquoi telle pondération a été choisie. Sans cela, la moyenne pondérée peut donner l’illusion d’objectivité tout en masquant des arbitrages implicites.
Références :
- Towards Data Science – Weighted Averages in Machine Learning: https://towardsdatascience.com/weighted-averages-in-machine-learning-9f6fcd7153f6
