Öffentliches Register
Software-GesundheitsberichtSchema 0.31.0 · Metriken 2.10.0 · 2026-08-12 22:34 UTC

interpretml / interpret

Fit interpretable models. Explain blackbox machine learning.

C++ · PythonMIT★ 6.916 Sterne⑂ 782 Forksseit Mai 2019Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#machine-learning#interpretability#gradient-boosting#blackbox#scikit-learn#xai#interpretml#interpretable-machine-learning#interpretable-ai#transparency#iml#interpretable-ml#explainable-ml#explainability#bias#ai#artificial-intelligence#explainable-ai#differential-privacy

interpretml/interpret erreicht einen Gesundheitsindex von 92 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Engineering Quality (92/100) ab, am schwächsten bei Security (67/100). Zuletzt vor 2 Tagen aktualisiert. Ein einzelner Mitwirkender trägt den Großteil der jüngsten Arbeit.

92
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.

92
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 78 wird auf der veröffentlichten Indexskala auf 92 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

InterpretMLOrganisation
290 Follower15 öffentliche Reposseit Apr. 2017

Dieses Repository wird von einer Organisation getragen — geteilte, rechenschaftspflichtige Trägerschaft, die jeden einzelnen Maintainer überdauern kann.

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlicht
npm@interpretml/interpret-inline0.7.850746vor 148 Tagen
PyPIinterpret0.7.8-71vor 148 Tagen
PyPIinterpret-core0.7.8-50vor 148 Tagen
PyPIpowerlift0.1.129415vor 683 Tagen

Metriken nach Kategorie

Vitalität

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

85Exzellent · 21 % des Gesamtindex

Entwicklungsaktivität

81Exzellent
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 2 Tagen
18/36Commit-Rhythmus — 26/52 Wochen mit Commits
18/18Commit-Volumen — 211 Commits im letzten Jahr
9/10OpenSSF Scorecard: Maintained — 8 commit(s) and 3 issue activity found in the last 90 days -- score normalized to 9
Verwendete Eingangsdaten
commits_last_year211
human_commit_share0,95
days_since_last_push2
active_weeks_last_year26

Release-Disziplin

90Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 66 Releases veröffentlicht
27/36Release-Aktualität — letztes Release vor 147 Tagen
27/27Release-Rhythmus — ein Release etwa alle 27,6 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count66
latest_release_tagv0.7.8
releases_from_tagsnein
days_since_latest_release147
mean_days_between_releases27,6
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): OpenSSF Scorecard: Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Community & Verbreitung

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

74Gut · 17 % des Gesamtindex

Popularität & Verbreitung

96Außergewöhnlich
Wie die Bewertung erfolgt
60/60Stars — 6.916 Stars
24.1/25Forks — 782 Forks
11.9/15Watcher — 141 Watcher
Verwendete Eingangsdaten
forks782
stars6.916
watchers141
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_badges7
has_contributingja
has_issue_templatenein
has_code_of_conductnein
readme_badge_servicescodecov.io, github.com, shields.io
has_pull_request_templatenein

Ökosystem-Verbreitung (Downloads)

46Schwach
Wie die Bewertung erfolgt
37.1/80Downloads pro Monat — 601 Downloads/Monat über npm, pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packages@interpretml/interpret-inline, interpret, interpret-core, powerlift
dependents—
ecosystemsnpm, pypi
total_downloads—
monthly_downloads601
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?

72Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

42Schwach
Wie die Bewertung erfolgt
9/54Bus-Faktor — 1 Beitragende decken die Hälfte aller Commits ab
9.7/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 57 % der Commits
13.5/13.5Breite der Beitragenden — 49 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 3 contributing companies or organizations -- score normalized to 10
Verwendete Eingangsdaten
bus_factor1
contributors_sampled49
top_contributor_share0,571

Reaktionsfähigkeit bei Issues & PRs

73Gut
Wie die Bewertung erfolgt
38.3/42Issue-Lösungsquote — 91 % der Issues geschlossen
23.3/30PR-Annahme — 135/174 entschiedene PRs gemergt
0/13Newcomer PR acceptance — kein PR eines Erstbeitragenden in 30 Tagen entschieden
1.5/15OpenSSF Scorecard: Code-Review — Found 4/26 approved changesets -- score normalized to 1
Verwendete Eingangsdaten
merged_prs135
open_issues42
closed_issues443
prs_merged_7d0
prs_decided_7d0
prs_merged_30d0
prs_decided_30d0
issue_closed_ratio0,913
closed_unmerged_prs39
first_time_authors_30d0
first_time_prs_merged_30d0
first_time_prs_decided_30d0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Newcomer PR acceptance. Die verbleibenden Gewichte wurden renormalisiert.

Eigentümerschaft & Trägerschaft

86Exzellent
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain — Verifizierungsstatus der Domain für diese Organisation nicht ausgelesen
17.7/25Reichweite des Inhabers — 290 Follower von interpretml
20.8/25Kontohistorie — 15 öffentliche Repos, Kontoalter ca. 9 Jahre
Verwendete Eingangsdaten
followers290
owner_typeOrganization
is_verified—
owner_logininterpretml
public_repos15
account_age_days3.411
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 — 4 Paket(e) auf npm, pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 148 Tagen
20/20Versionshistorie — 71 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packages@interpretml/interpret-inline, interpret, interpret-core, powerlift
ecosystemsnpm, pypi
any_deprecatednein
min_days_since_publish148

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

92Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

94Außergewöhnlich
Wie die Bewertung erfolgt
24/24CI-Workflows — 4 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration — .eslintrc.json, .flake8, ruff.toml
9.6/9.6Pre-Commit-Hooks
0/6.4.editorconfig
20/20OpenSSF Scorecard: CI-Tests — 8 out of 8 merged PRs checked by a CI test -- score normalized to 10
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_configja

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://interpret.ml/docs
10/10Repository-Beschreibung
10/10Topics — 19 Topics
0/10Wiki
Verwendete Eingangsdaten
topicsmachine-learning, interpretability, gradient-boosting, blackbox, scikit-learn, xai, interpretml, interpretable-machine-learning, interpretable-ai, transparency, iml, interpretable-ml, explainable-ml, explainability, bias, ai, artificial-intelligence, explainable-ai, differential-privacy
has_wikinein
homepagehttps://interpret.ml/docs
docs_sitehttps://interpret.ml/docs
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

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

67Gut · 16 % des Gesamtindex

Sicherheitslage

59Mittel
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
0/7.5Branch-Protection — branch protection not enabled on development/release branches
2.5/2.5CI-Tests — 8 out of 8 merged PRs checked by a CI test -- score normalized to 10
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
0.8/7.5Code-Review — Found 4/26 approved changesets -- score normalized to 1
2.5/2.5Contributors — project has 3 contributing companies or organizations -- score normalized to 10
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
6.8/7.5Maintained — 8 commit(s) and 3 issue activity found in the last 90 days -- score normalized to 9
5/5Packaging — packaging workflow detected
0/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
2.5/5SAST — SAST tool is not run on all commits -- score normalized to 5
0/5Security-Policy — security policy file not detected
0/7.5Signed-Releases — keine Daten
7.5/7.5Token-Permissions — GitHub workflow tokens follow principle of least privilege
2.2/7.5Vulnerabilities — 7 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated17
scorecard_versionv5.5.0
checks_inconclusive1
scorecard_aggregate5,9
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Signed-Releases. 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_packages78
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:interpret@0.7.8 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 78 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.

80Exzellent · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

52Mittel
Wie die Bewertung erfolgt
45/45Agentenanweisungen — CLAUDE.md
0/15Maschinenlesbare Doku (llms.txt)
6.7/40Lesbare Commit-Historie — 12 von 95 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,126
agent_instruction_filesCLAUDE.md
agent_instruction_max_bytes11.853

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

88Exzellent
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — scripts/Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration — .eslintrc.json, .flake8, ruff.toml
11/11Statische Typprüfung — C++ (statisch typisiert)
10/10Reproduzierbare Umgebung — Dockerfile
8/10Belegte Agentenpraxis — 4 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 3 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
lockfiles—
has_dockerfileja
typed_languageja
bootstrap_filesscripts/Makefile
has_devcontainernein
has_linter_configja
typecheck_configs—
agent_commit_share0,04
toolchain_manifests—
dependency_bot_commit_share0,03

AI-Code-Lesbarkeit für Modelle

98Außergewöhnlich
Wie die Bewertung erfolgt
45/45Typprüfbarer Code — C++ (statisch typisiert)
52.5/55Handhabbare Dateigrößen — 13/289 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languageC++
largest_source_bytes191.608
source_files_sampled289
oversized_source_files13

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 — examples, notebooks
Verwendete Eingangsdaten
example_dirsexamples, notebooks
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

6.916GitHub-Sterne
49Mitwirkende
211Commits, letzte 12 Monate
2Tage seit letztem Push
66Releases
1Bus-Faktor
42offene 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 ★ / 782 ⇿
0Sterne
782Forks
66Releases

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.

0200400600800767552019-052022-122026-08
Major 0Minor 7Patch 59

Jeder Punkt umfasst 7 Tage.

OpenSSF Scorecard 5.9 / 10
5.9Gesamtwert

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 · 2026-08-12 22:34 UTC

10Binary-Artifactsno binaries found in the repo
0Branch-Protectionbranch protection not enabled on development/release branches
10CI-Tests8 out of 8 merged PRs checked by a CI test -- score normalized to 10
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
1Code-ReviewFound 4/26 approved changesets -- score normalized to 1
10Contributorsproject has 3 contributing companies or organizations -- score normalized to 10
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
9Maintained8 commit(s) and 3 issue activity found in the last 90 days -- score normalized to 9
10Packagingpackaging workflow detected
0Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 0
5SASTSAST tool is not run on all commits -- score normalized to 5
0Security-Policysecurity policy file not detected
k. A.Signed-Releasesno releases found
10Token-PermissionsGitHub workflow tokens follow principle of least privilege
3Vulnerabilities7 existing vulnerabilities detected
Direkte Abhängigkeiten 9
RegistryPaketVersionsvorgabeManifest
PyPISQLAlchemy>=1.4python/powerlift/pyproject.toml
PyPIsqlalchemy-utils>=0.38python/powerlift/pyproject.toml
PyPItqdm—python/powerlift/pyproject.toml
PyPIfastparquet—python/powerlift/pyproject.toml
PyPIpandas—python/powerlift/pyproject.toml
PyPInumpy—python/powerlift/pyproject.toml
PyPIpytz—python/powerlift/pyproject.toml
npmcytoscape^3.33.1shared/vis/package.json
npmplotly.js-cartesian-dist-min^2.35.3shared/vis/package.json
Alle Abhängigkeiten 144

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 7 direkte und 137 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
npmcytoscape^3.33.1direkt
npmplotly.js-cartesian-dist-min^2.35.3direkt
PyPInumpy—direkt
PyPIpandas—direkt
PyPIsqlalchemy—direkt
PyPIsqlalchemy2.0.48direkt
PyPIsqlalchemy-utils—direkt
npm@babel/core^7.29.0indirekt
npm@babel/preset-env^7.29.0indirekt
npmbabel-loader^10.1.1indirekt
npmcss-loader^7.1.4indirekt
npmeslint^9.39.4indirekt
npmeslint-config-prettier^10.1.8indirekt
npmeslint-plugin-prettier^5.5.5indirekt
npmprettier^3.8.1indirekt
npmsass^1.98.0indirekt
npmsass-loader^16.0.7indirekt
npmstyle-loader^4.0.0indirekt
npmwebpack^5.105.4indirekt
npmwebpack-cli^6.0.1indirekt
npmwebpack-dev-server^5.2.3indirekt
PyPIaccessible-pygments0.0.5indirekt
PyPIalabaster0.7.16indirekt
PyPIaplr—indirekt
PyPIasttokens3.0.1indirekt
PyPIattrs25.4.0indirekt
PyPIbabel2.18.0indirekt
PyPIbeautifulsoup44.14.3indirekt
PyPIcertifi2026.2.25indirekt
PyPIcharset-normalizer3.4.5indirekt
PyPIclick8.3.1indirekt
PyPIcomm0.2.3indirekt
PyPIdash—indirekt
PyPIdash-cytoscape—indirekt
PyPIdebugpy1.8.20indirekt
PyPIdecorator5.2.1indirekt
PyPIdocutils0.18.1indirekt
PyPIdotsi—indirekt
PyPIexceptiongroup1.3.1indirekt
PyPIexecuting2.2.1indirekt
PyPIfastjsonschema2.21.2indirekt
PyPIflask—indirekt
PyPIgevent—indirekt
PyPIgreenlet3.3.2indirekt
PyPIidna3.15indirekt
PyPIimagesize2.0.0indirekt
PyPIimportlib-metadata8.7.1indirekt
PyPIinterpret-core0.7.8indirekt
PyPIipykernel7.2.0indirekt
PyPIipython—indirekt
PyPIipython8.38.0indirekt
PyPIipywidgets—indirekt
PyPIjedi0.19.2indirekt
PyPIjinja23.1.6indirekt
PyPIjoblib—indirekt
PyPIjsonschema4.26.0indirekt
PyPIjsonschema-specifications2025.9.1indirekt
PyPIjupyter-book0.15.1indirekt
PyPIjupyter-cache0.6.1indirekt
PyPIjupyter-client8.8.0indirekt
PyPIjupyter-core5.9.1indirekt
PyPIlatexcodec3.0.1indirekt
PyPIlime—indirekt
PyPIlinkify-it-py2.0.3indirekt
PyPImarkdown-it-py2.2.0indirekt
PyPImarkupsafe3.0.3indirekt
PyPImatplotlib—indirekt
PyPImatplotlib-inline0.2.1indirekt
PyPImdit-py-plugins0.3.5indirekt
PyPImdurl0.1.2indirekt
PyPImyst-nb0.17.2indirekt
PyPImyst-parser0.18.1indirekt
PyPInbclient0.7.4indirekt
PyPInbconvert—indirekt
PyPInbformat—indirekt
PyPInbformat5.10.4indirekt
PyPInest-asyncio1.6.0indirekt
PyPIopenml—indirekt
PyPIpackaging26.0indirekt
PyPIparso0.8.6indirekt
PyPIpexpect4.9.0indirekt
PyPIplatformdirs4.9.4indirekt
PyPIplotly—indirekt
PyPIpmlb—indirekt
PyPIprompt-toolkit3.0.52indirekt
PyPIpsutil—indirekt
PyPIpsutil7.2.2indirekt
PyPIpsycopg2—indirekt
PyPIptyprocess0.7.0indirekt
PyPIpure-eval0.2.3indirekt
PyPIpybtex0.25.1indirekt
PyPIpybtex-docutils1.0.3indirekt
PyPIpydata-sphinx-theme0.15.4indirekt
PyPIpygments2.20.0indirekt
PyPIpytest—indirekt
PyPIpytest-cov—indirekt
PyPIpytest-xdist—indirekt
PyPIpython-dateutil2.9.0.post0indirekt
PyPIpyyaml6.0.3indirekt
PyPIpyzmq27.1.0indirekt
PyPIreferencing0.37.0indirekt
PyPIrequests—indirekt
PyPIrequests2.33.0indirekt
PyPIrpds-py0.30.0indirekt
PyPIsalib—indirekt
PyPIscikit-learn—indirekt
PyPIscipy—indirekt
PyPIseaborn—indirekt
PyPIselenium—indirekt
PyPIsetuptools—indirekt
PyPIshap—indirekt
PyPIsix1.17.0indirekt
PyPIskope-rules—indirekt
PyPIsnowballstemmer3.0.1indirekt
PyPIsoupsieve2.8.3indirekt
PyPIsphinx5.0.2indirekt
PyPIsphinx-book-theme1.0.1indirekt
PyPIsphinx-comments0.0.3indirekt
PyPIsphinx-copybutton0.5.2indirekt
PyPIsphinx-design0.3.0indirekt
PyPIsphinx-external-toc0.3.1indirekt
PyPIsphinx-jupyterbook-latex0.5.2indirekt
PyPIsphinx-multitoc-numbering0.1.3indirekt
PyPIsphinx-thebe0.2.1indirekt
PyPIsphinx-togglebutton0.4.4indirekt
PyPIsphinxcontrib-applehelp2.0.0indirekt
PyPIsphinxcontrib-bibtex2.5.0indirekt
PyPIsphinxcontrib-devhelp2.0.0indirekt
PyPIsphinxcontrib-htmlhelp2.1.0indirekt
PyPIsphinxcontrib-jsmath1.0.1indirekt
PyPIsphinxcontrib-qthelp2.0.0indirekt
PyPIsphinxcontrib-serializinghtml2.0.0indirekt
PyPIstack-data0.6.3indirekt
PyPItabulate0.10.0indirekt
PyPItornado6.5.5indirekt
PyPItraitlets5.14.3indirekt
PyPItreeinterpreter—indirekt
PyPItyping-extensions4.15.0indirekt
PyPIuc-micro-py2.0.0indirekt
PyPIurllib32.7.0indirekt
PyPIwcwidth0.6.0indirekt
PyPIwheel0.46.3indirekt
PyPIxlsxwriter—indirekt
PyPIzipp3.23.0indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:interpret@0.7.8 zieht 78 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 interpretml/interpret teilen. Nebeneinander lesen →

100onnx/onnxOpen standard for machine learning interoperabilityAußergewöhnlich98sktime/sktimeA unified framework for machine learning with time seriesAußergewöhnlich98basetenlabs/trussThe simplest way to serve AI/ML models in productionAußergewöhnlich98huggingface/datasets🤗 The largest hub of ready-to-use datasets for AI models with fast, easy-to-use and efficient data manipulation toolsAußergewöhnlich97Lightning-AI/pytorch-lightningPretrain, finetune ANY AI model of ANY size on 1 or 10,000+ GPUs with zero code changes.Außergewöhnlich96vercel/aiThe AI Toolkit for TypeScript. From the creators of Next.js, the AI SDK is a free open-source library for building AI-powered applications and agents Außergewöhnlich

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 v0.31.0 — vollständige Methodik · Metriken-Wiki.

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