Decodificador KNN

El Decodificador KNN interpreta las decisiones del modelo exponiendo cómo un vector de consulta se posiciona respecto a puntos de datos etiquetados. Acepta un vector de características, un conjunto de datos etiquetado, un valor de k y una métrica de distancia, y devuelve los k vecinos más cercanos con sus etiquetas, distancias y pesos opcionales. Esto permite a desarrolladores, científicos de datos e ingenieros ML inspeccionar factores de localidad que impulsan clasificación o regresión. La herramienta soporta votación plana y ponderada por distancia y puede trabajar con embeddings numéricos o matrices de características diseñadas. Conceptualmente, la herramienta construye un conjunto de vecinos calculando distancias entre la consulta y cada punto del conjunto de datos, luego ordena por distancia y agrega etiquetas para revelar clases dominantes, decisiones mixtas o empates. Para explicabilidad, puede presentar estadísticas básicas como distancia promedio por etiqueta, puntuación de consenso y una medida de confianza. Está diseñada para ayudar a validar el comportamiento del modelo, comparar métricas de distancia (Euclidean, Manhattan, coseno) y depurar instancias mal etiquetadas sin modificar el código del modelo. El valor central reside en la transparencia, la reproducibilidad y la depuración rápida. Funcionalidades incluyen validación de entradas, normalización opcional, soporte para múltiples conjuntos de datos, decodificación por lotes y exportación de resultados como JSON o CSV. Casos de uso típicos incluyen evaluación de ingeniería de características, auditoría de modelos en pipelines de clasificación y prototipado rápido de tareas de recuperación basadas en distancia. La diferenciación es un flujo de trabajo de decodificación compacto que enfatiza la explicabilidad y la auditabilidad para profesionales ML que trabajan con espacios de embedding.