KNN-dekoder

KNN-dekoderen fortolker modelbeslutninger ved at vise, hvordan en forespørgselsvektor placerer sig i forhold til mærkede datapunkter. Den accepterer en feature-vektor, et mærket datasæt, en k-værdi og en distansmetrik og returnerer de k nærmeste naboer med deres etiketter, afstande og eventuelle vikter. Dette gør det muligt for udviklere, dataforskere og ML-ingeniører at undersøge lokalitetsfaktorer, der driver klassificering eller regression. Værktøjet understøtter både flad og afstandsvægtet stemme og kan bruges med numeriske embeddings eller konstruerede feature-arrays. Konceptuelt bygger værktøjet en nabo-mængde ved at beregne afstande mellem forespørgslen og hvert datapunkt, sortere efter afstand og sammenfatte etiketter for at afsløre dominerende klasser, blandede beslutninger eller ties.Til forklarbarhed kan det præsentere grundstatsikker som gennemsnitlig afstand per etiket, konsensus-score og en tillidsmåling. Det er beregnet til at validere modeladfærd, sammenligne afstandsmetoder og fejlfinde fejlagtige labels uden at ændre modellens kode. Udbyttet ligger i gennemsigtighed, reproducerbarhed og hurtig fejlfinding. Funktioner inkluderer inddata-validering, valgfri normalisering, understøttelse af flere datasæt, batch-afkodning og eksport af resultater som JSON eller CSV. Typiske anvendelser inkluderer evaluering af feature-engineering, modellrevision i klassificerings-pipelines og hurtig prototyping af distance-baseret opsamling. Forskellen ligger i et kompakt decode-workflow med fokus på forklarbarhed og revision for ML-praktikere, der arbejder med embeddingsrum.