Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-10-19 03:05 UTC

csinva / imodels

Interpretable ML package 🔍 for concise, transparent, and accurate predictive modeling (sklearn-compatible).

Jupyter Notebook · PythonMIT★ 1.629 Sterne⑂ 148 Forksseit Juli 2019Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#interpretability#machine-learning#data-science#artificial-intelligence#ml#ai#statistics#scikit-learn#python#optimal-classification-tree#rulefit#imodels#rule-learning#supervised-learning#explainable-ml#explainable-ai#rules#bayesian-rule-list

csinva/imodels erreicht einen Gesundheitsindex von 83 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Vitality (75/100) ab, am schwächsten bei AI Readiness (55/100). Zuletzt vor 2 Tagen aktualisiert. Ein einzelner Mitwirkender trägt den Großteil der jüngsten Arbeit.

83
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.

83
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 70 wird auf der veröffentlichten Indexskala auf 83 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

Chandan SinghPersönliches Konto
541 Follower79 öffentliche Reposseit Juli 2013Staff research scientist

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

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlicht
PyPIimodels3.0.428.69260vor 12 Tagen

Metriken nach Kategorie

Vitalität

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

75Gut · 21 % des Gesamtindex

Entwicklungsaktivität

74Gut
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 2 Tagen
9.7/36Commit-Rhythmus — 14/52 Wochen mit Commits
18/18Commit-Volumen — 377 Commits im letzten Jahr
10/10OpenSSF Scorecard: Maintained — 30 commit(s) and 9 issue activity found in the last 90 days -- score normalized to 10
Verwendete Eingangsdaten
commits_last_year377
human_commit_share0,96
days_since_last_push2
active_weeks_last_year14

Release-Disziplin

76Gut
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 42 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 12 Tagen
12.6/27Release-Rhythmus — ein Release etwa alle 121,9 Tage
0/10OpenSSF Scorecard: Signed-Releases — Project has not signed or included provenance with any releases.
Verwendete Eingangsdaten
releases_count42
latest_release_tagv3.0.4
releases_from_tagsnein
days_since_latest_release12
mean_days_between_releases121,9

Community & Verbreitung

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

74Gut · 17 % des Gesamtindex

Popularität & Verbreitung

77Gut
Wie die Bewertung erfolgt
52.1/60Stars — 1.629 Stars
18.1/25Forks — 148 Forks
7/15Watcher — 19 Watcher
Verwendete Eingangsdaten
forks148
stars1.629
watchers19
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

70Gut
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (MIT)
18/18CONTRIBUTING-Leitfaden
0/13.5Verhaltenskodex
0/7.2Issue-Vorlage
0/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges5
has_contributingja
has_issue_templatenein
has_code_of_conductnein
readme_badge_servicesgithub.com, shields.io
has_pull_request_templatenein

Ökosystem-Verbreitung (Downloads)

74Gut
Wie die Bewertung erfolgt
59.4/80Downloads pro Monat — 28.692 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagesimodels
dependents—
ecosystemspypi
total_downloads—
monthly_downloads28.692
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?

71Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

41Schwach
Wie die Bewertung erfolgt
9/54Bus-Faktor — 1 Beitragende decken die Hälfte aller Commits ab
8.4/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 63 % der Commits
13.5/13.5Breite der Beitragenden — 25 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 9 contributing companies or organizations
Verwendete Eingangsdaten
bus_factor1
contributors_sampled25
top_contributor_share0,628

Reaktionsfähigkeit bei Issues & PRs

86Exzellent
Wie die Bewertung erfolgt
40/42Issue-Lösungsquote — 95 % der Issues geschlossen
28.6/30PR-Annahme — 198/208 entschiedene PRs gemergt
13/13Newcomer PR acceptance — 3/3 PRs von Erstbeitragenden in 30 Tagen gemergt
4.5/15OpenSSF Scorecard: Code-Review — Found 3/8 approved changesets -- score normalized to 3
Verwendete Eingangsdaten
merged_prs198
open_issues5
closed_issues99
prs_merged_7d5
prs_decided_7d5
prs_merged_30d12
prs_decided_30d12
issue_closed_ratio0,952
closed_unmerged_prs10
first_time_authors_30d3
first_time_prs_merged_30d3
first_time_prs_decided_30d3

Eigentümerschaft & Trägerschaft

68Gut
Wie die Bewertung erfolgt
10/30Organisatorische Trägerschaft — persönliches (Nutzer-)Konto
0/20Verifizierte Domain — für Nutzerkonten nicht anwendbar
19.7/25Reichweite des Inhabers — 541 Follower von csinva
25/25Kontohistorie — 79 öffentliche Repos, Kontoalter ca. 13 Jahre
Verwendete Eingangsdaten
followers541
owner_typeUser
is_verified—
owner_logincsinva
public_repos79
account_age_days4.851
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 12 Tagen
20/20Versionshistorie — 60 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesimodels
ecosystemspypi
any_deprecatednein
min_days_since_publish12

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

75Gut · 19 % des Gesamtindex

Engineering-Praktiken

58Mittel
Wie die Bewertung erfolgt
24/24CI-Workflows — 1 Workflow(s)
24/24Tests vorhanden
0/16Linter-Konfiguration
0/9.6Pre-Commit-Hooks
0/6.4.editorconfig
10/20OpenSSF Scorecard: CI-Tests — 4 out of 7 merged PRs checked by a CI test -- score normalized to 5
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_confignein
has_precommit_confignein

Dokumentation

100Außergewöhnlich
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://csinva.io/imodels
10/10Repository-Beschreibung
10/10Topics — 18 Topics
10/10Wiki
Verwendete Eingangsdaten
topicsinterpretability, machine-learning, data-science, artificial-intelligence, ml, ai, statistics, scikit-learn, python, optimal-classification-tree, rulefit, imodels, rule-learning, supervised-learning, explainable-ml, explainable-ai, rules, bayesian-rule-list
has_wikija
homepagehttps://csinva.io/imodels
docs_sitehttps://csinva.io/imodels
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

55Mittel · 16 % des Gesamtindex

Sicherheitslage

44Schwach
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
0/7.5Branch-Protection — keine Daten
1.2/2.5CI-Tests — 4 out of 7 merged PRs checked by a CI test -- score normalized to 5
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
2.2/7.5Code-Review — Found 3/8 approved changesets -- score normalized to 3
2.5/2.5Contributors — project has 9 contributing companies or organizations
10/10Dangerous-Workflow — no dangerous workflow patterns detected
7.5/7.5Dependency-Update-Tool — update tool detected
0/5Fuzzing — project is not fuzzed
2.5/2.5Lizenz — license file detected
7.5/7.5Maintained — 30 commit(s) and 9 issue activity found in the last 90 days -- score normalized to 10
0/5Packaging — keine Daten
0/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
0/5SAST — SAST tool is not run on all commits -- score normalized to 0
0/5Security-Policy — security policy file not detected
0/7.5Signed-Releases — Project has not signed or included provenance with any releases.
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
0/7.5Vulnerabilities — 67 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate4,4
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Branch-Protection, Packaging. Die verbleibenden Gewichte wurden renormalisiert.

Abhängigkeits-Advisories

100Außergewöhnlich
Wie die Bewertung erfolgt
35/35Direkte Abhängigkeiten ohne bekannte Advisories — keine direkte Abhängigkeit trägt ein bekanntes Advisory
25/25Indirekte Abhängigkeiten ohne bekannte Advisories — keine indirekte Abhängigkeit trägt ein bekanntes Advisory
0/40Keine offenen Advisories — kein Advisory trägt ein Veröffentlichungsdatum
Verwendete Eingangsdaten
sourceosv
advisories0
affected_packages0
assessed_packages25
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Keine offenen Advisories. Die verbleibenden Gewichte wurden renormalisiert. Abgeglichen wurde die Laufzeit-Abhängigkeitshülle von pypi:imodels@3.0.4 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 25 Paketen. Erreichbarkeit wird nicht analysiert.

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.

55Mittel · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

40Schwach
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15Maschinenlesbare Doku (llms.txt)
40/40Lesbare Commit-Historie — 83 von 96 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,865
agent_instruction_files—
agent_instruction_max_bytes—

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

50Mittel
Wie die Bewertung erfolgt
0/18Bootstrap mit einem Befehl
22/22Automatisierte Tests
0/11Lint-/Format-Konfiguration
0/11Statische Typprüfung
10/10Reproduzierbare Umgebung — lockfile
10/10Belegte Agentenpraxis — 72 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 4 der letzten 100 Commits sind automatisierte Abhängigkeits-Updates
0/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfilesuv.lock
has_dockerfilenein
typed_languagenein
bootstrap_files—
has_devcontainernein
has_linter_confignein
typecheck_configs—
agent_commit_share0,72
toolchain_manifests—
dependency_bot_commit_share0,04

AI-Code-Lesbarkeit für Modelle

54Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Jupyter Notebook ohne Typprüfungs-Konfiguration
54.3/55Handhabbare Dateigrößen — 3/252 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languageJupyter Notebook
largest_source_bytes195.094
source_files_sampled252
oversized_source_files3

Maschinenlesbare AI-Schnittstellen

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

Eckdaten

1.629GitHub-Sterne
25Mitwirkende
377Commits, letzte 12 Monate
2Tage seit letztem Push
42Releases
1Bus-Faktor
5offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 148 ⇿
0Sterne
148Forks
41Releases

Wann jeder Stern und Fork hinzugefügt wurde, von GitHub erfasst und nach Tagen gruppiert. Das kumulierte Wachstum steht direkt über den täglichen Zugängen, aus denen es besteht, sodass beide gegeneinander lesbar sind: stetiger organischer Zuwachs sieht ganz anders aus als ein abrupter, kurzlebiger Ausschlag. Wo dieser Unterschied messbar ist, wird er als Wachstumsauthentizität ausgewiesen.

025507510012515014582019-082023-032026-10
Major 2Minor 4Patch 34

Jeder Punkt umfasst 7 Tage.

OpenSSF Scorecard 4.4 / 10
4.4Gesamtwert

Unabhängige, werkzeugneutrale Sicherheitsbewertung durch das quelloffene OpenSSF Scorecard. Jede Prüfung honoriert eine Sicherheits-Praxis, nicht das Werkzeug eines bestimmten Anbieters. Prüfungen, die Scorecard nicht ermitteln konnte, sind mit k. A. markiert und vom Sicherheitswert ausgeschlossen (nie als null gezählt).Scorecard v5.5.0 · 2026-10-19 03:05 UTC

10Binary-Artifactsno binaries found in the repo
k. A.Branch-Protectioninternal error: error during branchesHandler.setup: internal error: some github tokens can't read classic branch protection rules: https://github.com/ossf/scorecard-action/blob/main/docs/authentication/fine-grained-auth-token.md
5CI-Tests4 out of 7 merged PRs checked by a CI test -- score normalized to 5
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
3Code-ReviewFound 3/8 approved changesets -- score normalized to 3
10Contributorsproject has 9 contributing companies or organizations
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
10Maintained30 commit(s) and 9 issue activity found in the last 90 days -- score normalized to 10
k. A.Packagingpackaging workflow not detected
0Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 0
0SASTSAST tool is not run on all commits -- score normalized to 0
0Security-Policysecurity policy file not detected
0Signed-ReleasesProject has not signed or included provenance with any releases.
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
0Vulnerabilities67 existing vulnerabilities detected
Direkte Abhängigkeiten 8
RegistryPaketVersionsvorgabeManifest
PyPImatplotlib—pyproject.toml
PyPImlxtend—pyproject.toml
PyPInumpy—pyproject.toml
PyPIpandas—pyproject.toml
PyPIrequests—pyproject.toml
PyPIscipy—pyproject.toml
PyPIscikit-learn—pyproject.toml
PyPItqdm—pyproject.toml
Alle Abhängigkeiten 235

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 13 direkte und 222 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPImatplotlib3.10.5direkt
PyPImatplotlib3.2.2direkt
PyPImlxtend0.23.4direkt
PyPInumpy2.0.2direkt
PyPInumpy2.2.6direkt
PyPInumpy2.3.2direkt
PyPIpandas2.3.2direkt
PyPIrequests2.32.5direkt
PyPIscikit-learn1.5.2direkt
PyPIscipy1.13.1direkt
PyPIscipy1.15.3direkt
PyPIscipy1.16.1direkt
PyPItqdm4.67.1direkt
PyPIadjusttext1.3.0indirekt
PyPIanyio4.10.0indirekt
PyPIaplr10.9.0indirekt
PyPIappnope0.1.4indirekt
PyPIargon2-cffi25.1.0indirekt
PyPIargon2-cffi-bindings21.2.0indirekt
PyPIargon2-cffi-bindings25.1.0indirekt
PyPIarrow1.3.0indirekt
PyPIasttokens3.0.0indirekt
PyPIasync-lru2.0.5indirekt
PyPIattrs25.3.0indirekt
PyPIbabel2.17.0indirekt
PyPIbeautifulsoup44.13.4indirekt
PyPIbleach6.2.0indirekt
PyPIbleach6.4.0indirekt
PyPIblinker1.9.0indirekt
PyPIcairocffi1.7.1indirekt
PyPIcairosvg2.8.2indirekt
PyPIcairosvg2.9.1indirekt
PyPIcertifi2025.8.3indirekt
PyPIcffi1.17.1indirekt
PyPIcharset-normalizer3.4.3indirekt
PyPIclarabel0.11.1indirekt
PyPIclick8.1.8indirekt
PyPIclick8.2.1indirekt
PyPIcloudpickle3.1.1indirekt
PyPIcolorama0.4.6indirekt
PyPIcomm0.2.3indirekt
PyPIcontourpy1.3.2indirekt
PyPIcontourpy1.3.3indirekt
PyPIcoverage7.10.4indirekt
PyPIcssselect20.10.1indirekt
PyPIcssselect20.8.0indirekt
PyPIcvxpy1.7.1indirekt
PyPIcycler0.12.1indirekt
PyPIdash2.18.2indirekt
PyPIdash-core-components2.0.0indirekt
PyPIdash-cytoscape1.0.2indirekt
PyPIdash-html-components2.0.0indirekt
PyPIdash-table5.0.0indirekt
PyPIdebugpy1.8.16indirekt
PyPIdecorator5.2.1indirekt
PyPIdefusedxml0.7.1indirekt
PyPIdill0.4.0indirekt
PyPIdvu0.0.2indirekt
PyPIexceptiongroup1.3.0indirekt
PyPIexecnet2.1.2indirekt
PyPIexecuting2.2.0indirekt
PyPIfastjsonschema2.21.2indirekt
PyPIfilelock3.19.1indirekt
PyPIflask3.0.3indirekt
PyPIfonttools4.59.1indirekt
PyPIfqdn1.5.1indirekt
PyPIfsspec2025.10.0indirekt
PyPIfsspec2026.9.0indirekt
PyPIgdown5.2.2indirekt
PyPIgdown6.4.1indirekt
PyPIgevent25.5.1indirekt
PyPIglmnet2.2.1indirekt
PyPIgreenlet3.2.4indirekt
PyPIh110.16.0indirekt
PyPIhttpcore1.0.9indirekt
PyPIhttpx0.28.1indirekt
PyPIidna3.10indirekt
PyPIimodels3.0.4indirekt
PyPIimportlib-metadata8.7.0indirekt
PyPIiniconfig2.1.0indirekt
PyPIinterpret0.7.2indirekt
PyPIinterpret-core0.7.2indirekt
PyPIipykernel6.30.1indirekt
PyPIipython8.18.1indirekt
PyPIipython8.37.0indirekt
PyPIipython9.4.0indirekt
PyPIipython-genutils0.2.0indirekt
PyPIipython-pygments-lexers1.1.1indirekt
PyPIipywidgets8.1.7indirekt
PyPIisoduration20.11.0indirekt
PyPIitsdangerous2.2.0indirekt
PyPIjedi0.19.2indirekt
PyPIjinja23.1.6indirekt
PyPIjoblib1.5.1indirekt
PyPIjson50.12.1indirekt
PyPIjsonpointer3.0.0indirekt
PyPIjsonschema4.25.1indirekt
PyPIjsonschema-specifications2025.4.1indirekt
PyPIjupyter1.1.1indirekt
PyPIjupyter-builder1.2.3indirekt
PyPIjupyter-client8.6.3indirekt
PyPIjupyter-console6.6.3indirekt
PyPIjupyter-core5.8.1indirekt
PyPIjupyter-events0.12.0indirekt
PyPIjupyter-lsp2.2.6indirekt
PyPIjupyter-server2.17.0indirekt
PyPIjupyter-server2.21.1indirekt
PyPIjupyter-server-terminals0.5.3indirekt
PyPIjupyterlab4.5.11indirekt
PyPIjupyterlab4.6.4indirekt
PyPIjupyterlab-pygments0.3.0indirekt
PyPIjupyterlab-server2.28.0indirekt
PyPIjupyterlab-widgets3.0.15indirekt
PyPIjupytext1.17.2indirekt
PyPIkiwisolver1.4.7indirekt
PyPIkiwisolver1.4.9indirekt
PyPIlark1.2.2indirekt
PyPIllvmlite0.43.0indirekt
PyPIllvmlite0.49.0indirekt
PyPImako1.3.10indirekt
PyPImarkdown3.8.2indirekt
PyPImarkdown-it-py3.0.0indirekt
PyPImarkdown-it-py4.0.0indirekt
PyPImarkupsafe3.0.2indirekt
PyPImatplotlib-inline0.1.7indirekt
PyPImdit-py-plugins0.4.2indirekt
PyPImdit-py-plugins0.5.0indirekt
PyPImdurl0.1.2indirekt
PyPImistune3.3.3indirekt
PyPImpmath1.3.0indirekt
PyPImultiprocess0.70.18indirekt
PyPInarwhals2.1.2indirekt
PyPInbclient0.10.2indirekt
PyPInbconvert7.17.1indirekt
PyPInbformat5.10.4indirekt
PyPInest-asyncio1.6.0indirekt
PyPInetworkx3.2.1indirekt
PyPInetworkx3.4.2indirekt
PyPInetworkx3.5indirekt
PyPInotebook6.4.8indirekt
PyPInotebook-shim0.2.4indirekt
PyPInumba0.60.0indirekt
PyPInumba0.67.0indirekt
PyPInvidia-cublas-cu1212.8.4.1indirekt
PyPInvidia-cuda-cupti-cu1212.8.90indirekt
PyPInvidia-cuda-nvrtc-cu1212.8.93indirekt
PyPInvidia-cuda-runtime-cu1212.8.90indirekt
PyPInvidia-cudnn-cu129.10.2.21indirekt
PyPInvidia-cufft-cu1211.3.3.83indirekt
PyPInvidia-cufile-cu121.13.1.3indirekt
PyPInvidia-curand-cu1210.3.9.90indirekt
PyPInvidia-cusolver-cu1211.7.3.90indirekt
PyPInvidia-cusparse-cu1212.5.8.93indirekt
PyPInvidia-cusparselt-cu120.7.1indirekt
PyPInvidia-nccl-cu122.27.3indirekt
PyPInvidia-nvjitlink-cu1212.8.93indirekt
PyPInvidia-nvtx-cu1212.8.90indirekt
PyPIosqp1.0.4indirekt
PyPIoverrides7.7.0indirekt
PyPIpackaging25.0indirekt
PyPIpandocfilters1.5.1indirekt
PyPIparso0.8.4indirekt
PyPIpatsy1.0.1indirekt
PyPIpdoc30.11.6indirekt
PyPIpexpect4.9.0indirekt
PyPIpillow11.3.0indirekt
PyPIpillow12.3.0indirekt
PyPIplatformdirs4.3.8indirekt
PyPIplotly6.3.0indirekt
PyPIpluggy1.6.0indirekt
PyPIpmlb1.0.1.post3indirekt
PyPIprometheus-client0.22.1indirekt
PyPIprompt-toolkit3.0.51indirekt
PyPIpsutil7.0.0indirekt
PyPIptyprocess0.7.0indirekt
PyPIpure-eval0.2.3indirekt
PyPIpycparser2.22indirekt
PyPIpygments2.19.2indirekt
PyPIpyparsing3.2.3indirekt
PyPIpysocks1.7.1indirekt
PyPIpytest8.4.1indirekt
PyPIpytest-cov6.2.1indirekt
PyPIpytest-xdist3.8.0indirekt
PyPIpython-dateutil2.9.0.post0indirekt
PyPIpython-json-logger3.3.0indirekt
PyPIpytz2025.2indirekt
PyPIpywin32311indirekt
PyPIpywinpty3.0.0indirekt
PyPIpyyaml6.0.2indirekt
PyPIpyzmq27.0.2indirekt
PyPIreferencing0.36.2indirekt
PyPIretrying1.4.2indirekt
PyPIrfc3339-validator0.1.4indirekt
PyPIrfc3986-validator0.1.1indirekt
PyPIrfc3987-syntax1.1.0indirekt
PyPIrpds-py0.27.0indirekt
PyPIsalib1.4.8indirekt
PyPIsalib1.5.1indirekt
PyPIscs3.2.8indirekt
PyPIseaborn0.12.2indirekt
PyPIseaborn0.13.2indirekt
PyPIsend2trash1.8.3indirekt
PyPIsetuptools80.9.0indirekt
PyPIshap0.46.0indirekt
PyPIsix1.17.0indirekt
PyPIslicer0.0.8indirekt
PyPIslurmpy0.0.8indirekt
PyPIsniffio1.3.1indirekt
PyPIsoupsieve2.10indirekt
PyPIsoupsieve2.8.4indirekt
PyPIstack-data0.6.3indirekt
PyPIstatsmodels0.14.5indirekt
PyPIsympy1.14.0indirekt
PyPIterminado0.18.1indirekt
PyPIthreadpoolctl3.6.0indirekt
PyPItinycss21.4.0indirekt
PyPItomli2.2.1indirekt
PyPItorch2.8.0indirekt
PyPItornado6.5.10indirekt
PyPItraitlets5.14.3indirekt
PyPItriton3.4.0indirekt
PyPItypes-python-dateutil2.9.0.20250809indirekt
PyPItyping-extensions4.14.1indirekt
PyPItzdata2025.2indirekt
PyPIuri-template1.3.0indirekt
PyPIurllib32.5.0indirekt
PyPIwcwidth0.2.13indirekt
PyPIwebcolors24.11.1indirekt
PyPIwebencodings0.5.1indirekt
PyPIwebsocket-client1.8.0indirekt
PyPIwerkzeug3.0.6indirekt
PyPIwidgetsnbextension4.0.14indirekt
PyPIzipp3.23.0indirekt
PyPIzope-event5.1.1indirekt
PyPIzope-interface7.2indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:imodels@3.0.4 zieht 25 Pakete nach sich, direkt und transitiv: 0 tragen bekannte Advisories, davon 0 direkte Abhängigkeiten.

Keine bekannten Advisories betreffen die bewerteten Abhängigkeiten.

Ein Advisory bedeutet, dass die im Abhängigkeitsgraphen erfasste Version in den betroffenen Bereich eines Advisories fällt. Erreichbarkeit wird nicht analysiert, und der Graph enthält Entwicklungs- und Test-Pins — ein Fund kann das Werkzeug betreffen und nicht die ausgelieferte Software.

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 csinva/imodels teilen. Nebeneinander lesen →

100onnx/onnxOpen standard for machine learning interoperabilityAußergewöhnlich98deepnote/deepnoteDeepnote is a drop-in replacement for Jupyter with an AI-first design, sleek UI, new blocks, and native data integrations. Use Python, R, and SQL locally in your favorite IDE, then scale to Deepnote cloud for real-time collaboration, Deepnote agent, and deployable data apps. https://deepnote.com/Außergewöhnlich100scikit-learn/scikit-learnscikit-learn: machine learning in PythonAußergewöhnlich99voxel51/fiftyoneRefine high-quality datasets and visual AI modelsAußergewöhnlich99ultralytics/ultralyticsUltralytics YOLO27, YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object trackingAußergewöhnlich98Netflix/metaflowBuild, Manage and Deploy AI/ML SystemsAußergewöhnlich

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 v0.34.0 — vollständige Methodik · Metriken-Wiki.

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