Decodificatore KNN

Il Decodificatore KNN interpreta le decisioni del modello esponendo come un vettore di query è posizionato rispetto ai punti dati etichettati. Accetta un vettore di caratteri, un set di dati etichettato, un valore di k e una metrica di distanza, restituendo i k vicini più prossimi con le loro etichette, distanze e pesi opzionali. Questo permette a sviluppatori, data scientist e ingegneri ML di ispezionare i fattori di località che guidano classificazione o regressione. Lo strumento supporta votazioni piane e ponderate per distanza e può operare su embeddings numerici o array di feature progettati. Concettualmente lo strumento costruisce un insieme di vicini calcolando le distanze tra la query e ogni punto del dataset, ordinandole per distanza e aggregando le etichette per rivelare classi dominanti, decisioni miste o pareggi. Per spiegabilità, può presentare statistiche come distanza media per etichetta, punteggio di consenso e una misura di fiducia. È progettato per aiutare a validare il comportamento del modello, confrontare metriche di distanza (Euclidea, Manhattan, coseno) e debug di istanze etichettate erroneamente senza modificare il codice del modello. Il valore chiave è trasparenza, riproducibilità e debugging rapido. Funzionalità includono validazione degli input, normalizzazione opzionale, supporto per più dataset, decodifica in batch ed esportazione in JSON o CSV. Casi d’uso tipici includono valutazione di feature engineering, audit del modello in pipeline di classificazione e prototipazione rapida di attività di retrieval basate sulla distanza. Il differenziatore è un flusso di lavoro di decodifica compatto che enfatizza spiegabilità e auditabilità per gli utilizzatori ML che lavorano con spazi di embedding.