Öffentliches Register
Software-GesundheitsberichtSchema 0.11.0 · Metriken 2.10.0 · 2026-07-16 17:21 UTC

GiacomoSaccaggi / scomp_link

End-to-end ML toolkit automating the complete workflow — data profiling, preprocessing, feature engineering, model selection, training, validation, explainability, drift monitoring, fairness checks, and interactive HTML reporting. Includes a full CLI for zero-code ML pipelines. Python 3.10+.

PythonMIT★ 2 Sterne⑂ 0 Forksseit Feb. 2026Auf GitHub ansehen ↗
ArtKommandozeilenwerkzeugBibliothekMCP-Serverwie das ermittelt wird
#anomaly-detection#automl#cli#data-science#explainability#machine-learning#nlp#python#scikit-learn#time-series#agent-skills#agentic-workflow#mcp#mcp-server#ai-agent-tool#ai-tools#cli-app#cli-tool#claude-tool#kiro-tool

GiacomoSaccaggi/scomp_link erreicht einen Gesundheitsindex von 80 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Engineering Quality (95/100) ab, am schwächsten bei Sustainability & Governance (46/100). Zuletzt heute aktualisiert.

80
gesamt / 100
Exzellent

Software-Gesundheitsindex

Metriken werden auf einer standardisierten Skala von 1–100 in gewichtete Kategorien gruppiert. Der Gesamtwert beginnt als ihr gewichtetes Mittel, kalibriert auf die Verteilung des öffentlichen Registers, sodass die Stufen Perzentilbedeutung tragen; sobald öffentliche Evidenz die Richtlinie für Hochrisikojurisdiktionen auslöst, wird die Bewertung angepasst und erhält die Obergrenze Gefährdet von 34.

80
Außergewöhnlich93-100Die Spitzengruppe des Registers (≈ obere 5 %); erfüllt im Wesentlichen alle geprüften Kriterien
Exzellent80-92Durchgehend stark; geringfügige Lücken
Gut65-79Gesund; Lücken sind begrenzt und beherrschbar
Mittel50-64Akzeptabel mit deutlichen Lücken; Überprüfung empfohlen
Schwach35-49Wesentliche Schwächen in mehreren Bereichen
Gefährdet20-34Erhebliche Schwächen; eine Übernahme erfordert Vorsicht
Kritisch1-19Schwerwiegende Probleme (aufgegeben, nur ein Maintainer, keine Hygiene)
VitalitätCommunity &VerbreitungNachhaltigkeit &GovernanceEngineering-QualitätSicherheitAI Readiness

Bewertungsprofil

Jede Achse ist eine Kategorie. Die Form zählt mehr als der Durchschnitt — ein gesundes Projekt füllt die gesamte Fläche, während ein Profil aus Spitzen und Kratern bedeutet, dass Stärke in einer Dimension Risiken in einer anderen verdeckt.

Der gewichtete Gesamtwert 68 wird auf der veröffentlichten Indexskala auf 80 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

Giacomo SaccaggiPersönliches Konto
7 Follower18 öffentliche Reposseit Okt. 2018

Dieses Repository gehört einem persönlichen Konto. Ein Projekt mit nur einem Eigentümer trägt ein höheres Kontinuitätsrisiko als ein organisationsgetragenes.

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIscomp-link1.3.02.31321vor 0 Tagenmachine-learningdata-scienceautomationpipelineautomlscikit-learnregressionclassificationclusteringdeep-learningnlptext-classificationcontrastive-learninganomaly-detectiontime-seriesensemble-learninghyperparameter-tuningmodel-selectioncross-validationfeature-selectionberttransformerstensorflowpytorchcomputer-visionimage-classificationhtml-reportplotlyedapreprocessingmcpmodel-context-protocolagent-toolai-agentdata-driftmodel-serving

Metriken nach Kategorie

Vitalität

Lebt das Projekt — wird Code geschrieben und werden Releases ausgeliefert?

79Gut · 21 % des Gesamtindex

Entwicklungsaktivität

65Gut
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 0 Tagen
4.8/36Commit-Rhythmus — 7/52 Wochen mit Commits
17.9/18Commit-Volumen — 98 Commits im letzten Jahr
0/10OpenSSF Scorecard: Maintained — keine Daten
Verwendete Eingangsdaten
commits_last_year98
human_commit_share—
days_since_last_push0
active_weeks_last_year7

Release-Disziplin

100Außergewöhnlich
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 13 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 6 Tagen
27/27Release-Rhythmus — ein Release etwa alle 0,8 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count13
latest_release_tagv1.2.15
releases_from_tagsnein
days_since_latest_release6
mean_days_between_releases0,8

Community & Verbreitung

Hat das Projekt Nutzer, Downloads, Aufmerksamkeit und ein einladendes Umfeld für Beitragende?

47Schwach · 17 % des Gesamtindex

Popularität & Verbreitung

1Kritisch
Wie die Bewertung erfolgt
0/60Stars — 2 Stars
0/25Forks — 0 Forks
0/15Watcher — 0 Watcher
Verwendete Eingangsdaten
forks0
stars2
watchers0
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

92Exzellent
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (MIT)
18/18CONTRIBUTING-Leitfaden
13.5/13.5Verhaltenskodex
0/7.2Issue-Vorlage
6.3/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges—
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_services—
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

56Mittel
Wie die Bewertung erfolgt
44.9/80Downloads pro Monat — 2.313 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagesscomp-link
dependents—
ecosystemspypi
total_downloads—
monthly_downloads2.313
unverified_packages_excluded—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Abhängige in der Registry. Die verbleibenden Gewichte wurden renormalisiert.

Nachhaltigkeit & Governance

Überdauert das Projekt die Menschen, die es tragen — Bus-Faktor, Reaktionsfähigkeit, Trägerschaft und Paketpflege?

46Schwach · 23 % des Gesamtindex

Reaktionsfähigkeit bei Issues & PRs

1Kritisch
Wie die Bewertung erfolgt
0/42Issue-Lösungsquote — keine Issues oder keine Daten
0/30PR-Annahme — 0/25 entschiedene PRs gemergt
0/13Newcomer PR acceptance — kein PR eines Erstbeitragenden in 30 Tagen entschieden
0/15OpenSSF Scorecard: Code-Review — keine Daten
Verwendete Eingangsdaten
merged_prs0
open_issues0
closed_issues0
prs_merged_7d—
prs_decided_7d—
prs_merged_30d—
prs_decided_30d—
issue_closed_ratio—
closed_unmerged_prs25
first_time_authors_30d—
first_time_prs_merged_30d—
first_time_prs_decided_30d—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Issue-Lösungsquote, Newcomer PR acceptance. Die verbleibenden Gewichte wurden renormalisiert.

Eigentümerschaft & Trägerschaft

47Schwach
Wie die Bewertung erfolgt
10/30Organisatorische Trägerschaft — persönliches (Nutzer-)Konto
0/20Verifizierte Domain — für Nutzerkonten nicht anwendbar
6.5/25Reichweite des Inhabers — 7 Follower von GiacomoSaccaggi
21.3/25Kontohistorie — 18 öffentliche Repos, Kontoalter ca. 7 Jahre
Verwendete Eingangsdaten
followers7
owner_typeUser
is_verified—
owner_loginGiacomoSaccaggi
public_repos18
account_age_days2.833
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Verifizierte Domain. Die verbleibenden Gewichte wurden renormalisiert.

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 0 Tagen
20/20Versionshistorie — 21 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesscomp-link
ecosystemspypi
any_deprecatednein
min_days_since_publish0

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

95Außergewöhnlich · 19 % des Gesamtindex

Engineering-Praktiken

92Exzellent
Wie die Bewertung erfolgt
24/24CI-Workflows — 1 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — tox.ini
9.6/9.6Pre-Commit-Hooks
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — keine Daten
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_configja

Dokumentation

100Außergewöhnlich
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://giacomosaccaggi.github.io/scomp_link/
10/10Repository-Beschreibung
10/10Topics — 20 Topics
10/10Wiki
Verwendete Eingangsdaten
topicsanomaly-detection, automl, cli, data-science, explainability, machine-learning, nlp, python, scikit-learn, time-series, agent-skills, agentic-workflow, mcp, mcp-server, ai-agent-tool, ai-tools, cli-app, cli-tool, claude-tool, kiro-tool
has_wikija
homepagehttps://giacomosaccaggi.github.io/scomp_link/
docs_sitehttps://giacomosaccaggi.github.io/scomp_link/
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

Sind die sichtbaren Sicherheits- und Lieferkettenpraktiken belastbar, ohne ungeklärte Exposition gegenüber Hochrisikojurisdiktionen?

73Gut · 16 % des Gesamtindex

Sicherheitslage

73Gut
Wie die Bewertung erfolgt
30/30Sicherheitsrichtlinie (SECURITY.md)
25/25Dependabot-Konfiguration
0/25Lockfiles für Abhängigkeiten — veröffentlichte Bibliothek — Lockfiles sind Sache der Anwendung, hier nicht erwartet
0/20CodeQL-Workflow
Verwendete Eingangsdaten
sourcefile_signals
lockfilesuv.lock
manifestsmcpb/pyproject.toml, pyproject.toml, requirements.txt, requirements/requirements-dev.txt, requirements/requirements-img-py310.txt, requirements/requirements-img-py311.txt, requirements/requirements-img-py312.txt, requirements/requirements-img-py313.txt, requirements/requirements-nlp-py310.txt, requirements/requirements-nlp-py311.txt, requirements/requirements-nlp-py312.txt, requirements/requirements-nlp-py313.txt, requirements/requirements-py310.txt, requirements/requirements-py311.txt, requirements/requirements-py312.txt, requirements/requirements-py313.txt, requirements/requirements-utils.txt, setup.py
has_codeql_workflownein
has_security_policyja
has_dependabot_configja
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Lockfiles für Abhängigkeiten. Die verbleibenden Gewichte wurden renormalisiert.

AI Readiness

Wie gut ist das Repository dafür ausgestattet, mit KI-Coding-Agenten entwickelt und gepflegt zu werden? Trägt ein bewusst kleines Gewicht (4 %): Agenten-Tooling ist ein echtes Pflegesignal, doch ein Repository ohne jedes Signal kann weiterhin 100/100 erreichen.

87Exzellent · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

100Außergewöhnlich
Wie die Bewertung erfolgt
45/45Agentenanweisungen — AGENTS.md
15/15Maschinenlesbare Doku (llms.txt) — llms.txt vorhanden
0/40Lesbare Commit-Historie — keine Daten
Verwendete Eingangsdaten
has_llms_txtja
llms_txt_url—
legible_history_share—
agent_instruction_filesAGENTS.md
agent_instruction_max_bytes4.895
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Lesbare Commit-Historie. Die verbleibenden Gewichte wurden renormalisiert.

AI-Verify-Loop (Build / Test / Typprüfung)

74Gut
Wie die Bewertung erfolgt
0/18Bootstrap mit einem Befehl
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — tox.ini
11/11Statische Typprüfung — pyrightconfig.json, scomp_link/py.typed
10/10Reproduzierbare Umgebung — Dockerfile, lockfile
0/10Belegte Agentenpraxis — keine Daten
5/8Automatisierte Wartung — Abhängigkeits-Automatisierung konfiguriert, in den erfassten Commits nicht beobachtet
0/10OpenSSF Scorecard: Pinned-Dependencies — keine Daten
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfilesuv.lock
has_dockerfileja
typed_languagenein
bootstrap_files—
has_devcontainernein
has_linter_configja
typecheck_configspyrightconfig.json, scomp_link/py.typed
agent_commit_share—
toolchain_manifests—
dependency_bot_commit_share0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Belegte Agentenpraxis. Die verbleibenden Gewichte wurden renormalisiert.

AI-Code-Lesbarkeit für Modelle

82Exzellent
Wie die Bewertung erfolgt
27/45Typprüfbarer Code — Python mit Typprüfungs-Konfiguration (pyrightconfig.json, scomp_link/py.typed)
54.5/55Handhabbare Dateigrößen — 1/105 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes81.108
source_files_sampled105
oversized_source_files1

Maschinenlesbare AI-Schnittstellen

100Außergewöhnlich
Wie die Bewertung erfolgt
0/40API-Schema (OpenAPI/GraphQL/proto) — für diese Art von Software nicht anwendbar
20/20MCP-Server
40/40Lauffähige Beispiele — examples
Verwendete Eingangsdaten
example_dirsexamples
has_mcp_signalja
api_schema_files—
interfaces_expected_of—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): API-Schema (OpenAPI/GraphQL/proto). Die verbleibenden Gewichte wurden renormalisiert.

Eckdaten

2GitHub-Sterne
-Mitwirkende
98Commits, letzte 12 Monate
0Tage seit letztem Push
13Releases
-Bus-Faktor
0offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Contributor list unavailable
  • Could not fetch pypi package 'scomp-link-mcpb' from its registry
  • GitHub dependency-graph SBOM unavailable (404); the dependency graph may be disabled for this repository
  • OpenSSF Scorecard timed out after 240s; skipping Scorecard checks

Weitere Details

Direkte Abhängigkeiten 56
RegistryPaketVersionsvorgabeManifest
PyPIscomp-link>=1.3.0mcpb/pyproject.toml
PyPInumpy>=1.22.0,<2.3.0pyproject.toml
PyPInumpy>=1.24.0,<1.27.0pyproject.toml
PyPInumpy>=1.26.0,<2.0.0pyproject.toml
PyPInumpy>=1.26.0,<3.0.0pyproject.toml
PyPInumpy>=2.0.0,<3.0.0pyproject.toml
PyPIpandas>=1.4.0,<2.4.0pyproject.toml
PyPIpandas>=2.0.0,<2.2.0pyproject.toml
PyPIpandas>=2.1.0,<2.3.0pyproject.toml
PyPIpandas>=2.1.0,<3.0.0pyproject.toml
PyPIpandas>=2.2.0,<3.0.0pyproject.toml
PyPIscipy>=1.8.0,<1.12.0pyproject.toml
PyPIscipy>=1.10.0,<1.12.0pyproject.toml
PyPIscipy>=1.11.0,<1.14.0pyproject.toml
PyPIscipy>=1.11.0,<2.0.0pyproject.toml
PyPIscipy>=1.14.0,<2.0.0pyproject.toml
PyPIscikit-learn>=1.2.0,<1.8.0pyproject.toml
PyPIscikit-learn>=1.3.0,<1.5.0pyproject.toml
PyPIscikit-learn>=1.3.0,<1.6.0pyproject.toml
PyPIscikit-learn>=1.3.0,<2.0.0pyproject.toml
PyPIscikit-learn>=1.5.0,<2.0.0pyproject.toml
PyPImatplotlib>=3.6.0,<3.9.0pyproject.toml
PyPImatplotlib>=3.7.0,<3.9.0pyproject.toml
PyPImatplotlib>=3.8.0,<3.11.0pyproject.toml
PyPImatplotlib>=3.8.0,<4.0.0pyproject.toml
PyPImatplotlib>=3.9.0,<4.0.0pyproject.toml
PyPIplotly>=5.0.0,<6.0.0pyproject.toml
PyPIseaborn>=0.11.0,<0.14.0pyproject.toml
PyPItorch>=1.13.0,<2.13.0pyproject.toml
PyPItorch>=2.0.0,<2.13.0pyproject.toml
PyPItorch>=2.0.0,<2.13.0pyproject.toml
PyPItorch>=2.0.0,<3.0.0pyproject.toml
PyPItorch>=2.4.0,<3.0.0pyproject.toml
PyPItransformers>=4.30.0,<6.0.0pyproject.toml
PyPIspacy>=3.5.0,<4.0.0pyproject.toml
PyPIfaiss-cpu>=1.7.0,<2.0.0pyproject.toml
PyPIsentence-transformers>=2.2.0,<6.0.0pyproject.toml
PyPItensorflow>=2.10.0,<2.16.0pyproject.toml
PyPItensorflow>=2.12.0,<2.16.0pyproject.toml
PyPItensorflow>=2.13.0,<2.18.0pyproject.toml
PyPItensorflow>=2.13.0,<3.0.0pyproject.toml
PyPIpillow>=9.0.0,<13.0.0pyproject.toml
PyPIpillow>=10.0.0,<13.0.0pyproject.toml
PyPIpytorch-tabnet2>=4.1.0,<5.0.0pyproject.toml
PyPIstatsmodels>=0.13.0,<1.0.0pyproject.toml
PyPItf-keras>=2.16.0pyproject.toml
PyPIpolars>=0.20.0,<2.0.0pyproject.toml
PyPIpyarrow>=12.0.0pyproject.toml
PyPIshap>=0.42.0,<1.0.0pyproject.toml
PyPIlime>=0.2.0,<1.0.0pyproject.toml
PyPIoptuna>=3.0.0,<5.0.0pyproject.toml
PyPItqdm>=4.50.0,<5.0.0pyproject.toml
PyPIPyJWT>=2.0.0,<3.0.0pyproject.toml
PyPImarkdown>=3.3.0,<4.0.0pyproject.toml
PyPIweasyprint>=57.0,<70.0pyproject.toml
PyPIplaywright>=1.40.0,<2.0.0pyproject.toml
Alle Abhängigkeiten nicht erhoben

Der aufgelöste Abhängigkeitssatz konnte für diesen Bericht nicht erhoben werden: GitHub dependency-graph SBOM unavailable (404); the dependency graph may be disabled for this repository

JSON-Rohbericht maschinenlesbar

Feedback

Stimmt etwas in diesem Bericht nicht, oder gibt es Gedanken dazu? Falsche Messungen, übersehene Tools, Ideen, Fragen — alles ist willkommen. Jede Nachricht wird gelesen und beantwortet.

Die Nachricht bleibt bei der Anmeldung erhalten.

Verwandte Einträge

Geprüfte Repositories, die Katalog-Tags oder Ökosysteme mit GiacomoSaccaggi/scomp_link teilen. Nebeneinander lesen →

98autogluon/autogluonFast and Accurate ML in 3 Lines of CodeAußergewöhnlich99openvinotoolkit/nncfNeural Network Compression Framework for enhanced OpenVINO™ inferenceAußergewöhnlich100ray-project/rayRay is an AI compute engine. Ray consists of a core distributed runtime and a set of AI Libraries for accelerating ML workloads.Außergewöhnlich100wandb/wandbThe AI developer platform. Use Weights & Biases to train and fine-tune models, and manage models from experimentation to production.Außergewöhnlich98huggingface/datasets🤗 The largest hub of ready-to-use datasets for AI models with fast, easy-to-use and efficient data manipulation toolsAußergewöhnlich98voxel51/fiftyoneRefine high-quality datasets and visual AI modelsAußergewöhnlich

Bewertungen sind Signale, keine Garantien. Sie spiegeln öffentlich sichtbare Praxis auf GitHub wider — kein Code-Audit und keine Sicherheitsgarantie.

Fehlende Daten werden ausgeschlossen und die Gewichte neu normiert, nie als null bewertet. Die Methodik ist versioniert und offen: Metriken v2.10.0, Schema v0.11.0 — vollständige Methodik · Metriken-Wiki.

Wie ein einzelnes Ergebnis im Gesamtregister steht: aggregierte Statistiken — PyPI.