Decodificador KNN

O Decodificador KNN interpreta decisões de modelos expondo como um vetor de consulta se posiciona em relação a pontos de dados etiquetados. Aceita um vetor de recurso, um conjunto de dados etiquetado, um valor de k e uma métrica de distância, retornando os k vizinhos mais próximos com seus rótulos, distâncias e pesos opcionais. Isso permite que desenvolvedores, cientistas de dados e engenheiros ML inspecionem fatores de localização que guiam classificações ou regressões. A ferramenta suporta votação plana e ponderada pela distância e pode trabalhar com embeddings numéricos ou matrizes de recursos engenhados. Conceitualmente, a ferramenta constrói um conjunto de vizinhos calculando distâncias entre a consulta e cada ponto do conjunto de dados, classificando por distância e agregando rótulos para revelar classes dominantes, decisões mistas ou empates. Para explicabilidade, pode apresentar estatísticas básicas como distância média por rótulo, pontuação de consenso e uma medida de confiança. É destinada a ajudar a validar o comportamento do modelo, comparar métricas de distância e depurar rótulos incorretos sem modificar o código do modelo. O valor central reside na transparência, reprodutibilidade e depuração rápida. Funcionalidades incluem validação de entrada, normalização opcional, suporte para múltiplos conjuntos de dados, decodificação em lote e exportação de resultados como JSON ou CSV. Casos de uso típicos incluem avaliação de engenharia de features, auditoria de modelos em pipelines de classificação e prototipagem rápida de tarefas de recuperação baseadas em distância. O diferencial é um fluxo de trabalho de decodificação compacto que enfatiza explicabilidade e auditabilidade para profissionais ML que trabalham com espaços de embedding.