KNN-avkodare

KNN-avkodaren tolkar modellbeslut genom att visa hur en fråga placeras i förhållande till märkte datapunkter. Den accepterar en funktionsvektor, ett märkt dataset, ett k-värde och en distansmetrik och returnerar de k närmaste grannarna med deras etiketter, avstånd och eventuella vikter. Detta gör det möjligt för utvecklare, dataforskare och ML-ingenjörer att granska lokala faktorer som påverkar klassificering eller regression. Verktyget stöder både platt och avståndsviktad röstning och kan användas med numeriska inbäddningar eller konstruerade feature-arrays. Konceptuellt bygger verktyget en grannmängd genom att beräkna avstånd mellan frågan och varje datapunkt, sortera efter avstånd och sammanfatta etiketter för att avslöja dominerande klasser, blandade beslut eller oavgjort. För förklarlighet kan det visa grundläggande statistik som genomsnittligt avstånd per etikett, konsensuspoäng och en tillförlitlighet. Det är avsett att hjälpa validera modellbeteende, jämföra avståndsmetoder (Euclidean, Manhattan, cosine) och felsöka felmärkta instanser utan att ändra modellkoden. Kärnvärdet ligger i öppenhet, reproducerbarhet och snabb felsökning. Funktioner inkluderar indata- validering, valfri normalisering, stöd för flera dataset, batch-avkodning och export av resultat som JSON eller CSV. Typiska användningsområden inkluderar utvärdering av egenskapsutveckling, modellrevision i klassificerings-pipelines och snabb prototyping av avståndsbaserad hämtning. Skillnaden ligger i ett kompakt avkodningsflöde med fokus på förklarbarhet och revision för ML-praktiker som arbetar i embeddingsrum.