Las pruebas metamórficas son un enfoque valioso para verificar programas de aprendizaje automático donde los oráculos tradicionales no están disponibles o son difíciles de aplicar. Este documento propone una técnica para priorizar relaciones metamórficas (MRs) en pruebas metamórficas para sistemas de aprendizaje automático y aprendizaje profundo, con el objetivo de mejorar la detección temprana de fallos. Introducimos cinco métricas basadas en la diversidad en casos de prueba de origen y de seguimiento para priorizar MRs. La efectividad de nuestros métodos de priorización propuestos se evalúa en tres implementaciones de algoritmos de aprendizaje automático y uno de aprendizaje profundo. Comparamos nuestro enfoque con la ordenación de MR basada en azar, en fallos y en cobertura de activación de neuronas. Los resultados muestran que nuestra priorización basada en la diversidad de datos se desempeña de manera comparable a la priorización basada en fallos, reduciendo el tiempo de detección de fallos hasta un 62% en comparación con la ejecución aleatoria de MR. Nuestras métricas propuestas superaron la priorización basada en cobertura de activación de neuronas, proporcionando una efectividad de detección de fallos un 5-550% mayor. En general, nuestro enfoque para priorizar relaciones metamórficas conduce a una mayor efectividad en la detección de fallos y a una reducción en el tiempo promedio de detección de fallos. Esta mejora en la eficiencia puede resultar en ahorros significativos de tiempo y costos al aplicar pruebas metamórficas a sistemas de aprendizaje automático y aprendizaje profundo.