Registro público
Informe de salud del softwareesquema 0.34.0 · métricas 2.10.0 · 2026-08-24 15:26 UTC

alteryx / evalml

EvalML is an AutoML library written in python.

PythonBSD-3-Clause★ 852 estrellas⑂ 94 forksdesde jul 2019Ver en GitHub ↗
TipoBibliotecaHerramienta de línea de comandoscómo se determina
#automl#machine-learning#data-science#model-selection#hyperparameter-tuning#optimization#feature-engineering#feature-selection

alteryx/evalml tiene un índice de salud de 34 sobre 100, lo que lo sitúa en la banda En riesgo. Su puntuación más alta es Engineering Quality (80/100) y la más baja, Vitality (26/100). Se actualizó por última vez hace 221 días. 4 personas concentran la mayor parte del trabajo reciente.

34
global / 100
En riesgo

Índice de salud del software

Las métricas se agrupan en categorías ponderadas sobre una escala estandarizada de 1 a 100. El resultado global parte de su media ponderada, calibrada contra la distribución del registro público para que las bandas tengan significado percentil; cuando la evidencia pública activa la Política de Jurisdicciones de Alto Riesgo, la calificación se ajusta y recibe un límite «En riesgo» de 34.

34
Excepcional93-100El nivel más alto del registro (≈ el 5% superior); cumple prácticamente todos los criterios evaluados
Excelente80-92Sólido en todos los frentes; carencias menores
Bueno65-79Saludable; carencias limitadas y manejables
Moderado50-64Aceptable con carencias notables; se recomienda revisión
Débil35-49Debilidades sustanciales en varias áreas
En riesgo20-34Debilidades significativas; su adopción exige cautela
Crítico1-19Problemas graves (proyecto abandonado, un solo mantenedor, sin higiene)
VitalidadComunidad yAdopciónSostenibilidady GobernanzaCalidad deIngenieríaSeguridadPreparaciónpara IA

Perfil de puntuación

Cada eje es una categoría. La forma importa más que la media: un proyecto sano llena toda la figura, mientras que un perfil de picos y cráteres indica que la fortaleza en una dimensión enmascara el riesgo en otra.

El resultado global ponderado 62 se calibra a 69 en la escala publicada del índice (calibración del registro 2026-08-02).

Titularidad

alteryxOrganización
286 seguidores143 repositorios públicosdesde jun 2015

Este repositorio está respaldado por una organización: una custodia compartida y responsable que puede sobrevivir a cualquier mantenedor individual.

Ecosistemas de paquetes

RegistroPaqueteVersiónDescargas / mesVersionesÚltima publicaciónEtiquetas
PyPIevalml0.84.0978087hace 808 díasdata-sciencemachine-learningoptimizationautoml

Métricas por categoría

Vitalidad

¿Está vivo el proyecto: se escribe código y se publican versiones?

26En riesgo · 21% del índice global

Actividad de desarrollo

4Crítico
Cómo se puntúa
3.6/36Recencia de push — último push hace 221 días
0/36Cadencia de commits — 0/52 semanas con commits
0/18Volumen de commits — 0 commits en el último año
0/10OpenSSF Scorecard: Maintained — 0 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 0
Datos de entrada utilizados
commits_last_year0
human_commit_share1
days_since_last_push221
active_weeks_last_year0

Disciplina de publicación

60Moderado
Cómo se puntúa
27/27Publica versiones — 100 versiones publicadas
0/36Recencia de las versiones — última versión hace 808 días
27/27Cadencia de publicación — una versión cada ~43,7 días
0/10OpenSSF Scorecard: Signed-Releases — sin datos
Datos de entrada utilizados
releases_count100
latest_release_tagv0.84.0
releases_from_tagsno
days_since_latest_release808
mean_days_between_releases43,7
Excluidos de la puntuación (sin datos o no aplicable): OpenSSF Scorecard: Signed-Releases. Los pesos restantes se han renormalizado.

Comunidad y Adopción

¿Tiene el proyecto usuarios, descargas, atención y unas condiciones acogedoras para quienes contribuyen?

72Bueno · 17% del índice global

Popularidad y adopción

71Bueno
Cómo se puntúa
47.5/60Estrellas — 852 estrellas
16.4/25Forks — 94 forks
6.8/15Observadores — 18 observadores
Datos de entrada utilizados
forks94
stars852
watchers18
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Salud de la comunidad

77Bueno
Cómo se puntúa
22.5/22.5README
22.5/22.5Licencia — licencia reconocida (BSD-3-Clause)
18/18Guía CONTRIBUTING
0/13.5Código de conducta
0/7.2Plantilla de issues
6.3/6.3Plantilla de PR
Datos de entrada utilizados
has_readmesí
has_licensesí
readme_badges3
has_contributingsí
has_issue_templateno
has_code_of_conductno
readme_badge_servicesbadge.fury.io, codecov.io, github.com
has_pull_request_templatesí

Adopción en el ecosistema (descargas)

66Bueno
Cómo se puntúa
53.2/80Descargas mensuales — 9780 descargas/mes en pypi
0/20Dependientes en el registro — no lo informa este ecosistema
Datos de entrada utilizados
packagesevalml
dependents—
ecosystemspypi
total_downloads—
monthly_downloads9780
unverified_packages_excluded—
Excluidos de la puntuación (sin datos o no aplicable): Dependientes en el registro. Los pesos restantes se han renormalizado.

Sostenibilidad y Gobernanza

¿Sobrevivirá el proyecto a sus personas: factor bus, capacidad de respuesta, quién lo respalda y mantenimiento del paquete?

79Bueno · 23% del índice global

Resiliencia de mantenedores (factor bus)

86Excelente
Cómo se puntúa
43.2/54Factor bus — la mitad de los commits recae en 4 contribuyente(s)
18.8/22.5Distribución de commits — el principal contribuyente firma el 17% de los commits
13.5/13.5Amplitud de contribuyentes — 35 contribuyentes
10/10OpenSSF Scorecard: Contributors — project has 4 contributing companies or organizations
Datos de entrada utilizados
bus_factor4
contributors_sampled35
top_contributor_share0,166

Capacidad de respuesta a issues y PR

86Excelente
Cómo se puntúa
35.2/42Resolución de issues — 84% de issues cerradas
24.6/30Aceptación de PR — 2032/2476 PR decididos fusionados
0/13Newcomer PR acceptance — ningún PR de un contribuyente primerizo decidido en 30 d
15/15OpenSSF Scorecard: Code-Review — all changesets reviewed
Datos de entrada utilizados
merged_prs2032
open_issues316
closed_issues1622
prs_merged_7d0
prs_decided_7d0
prs_merged_30d0
prs_decided_30d0
issue_closed_ratio0,837
closed_unmerged_prs444
first_time_authors_30d0
first_time_prs_merged_30d0
first_time_prs_decided_30d0
Excluidos de la puntuación (sin datos o no aplicable): Newcomer PR acceptance. Los pesos restantes se han renormalizado.

Propiedad y custodia

73Bueno
Cómo se puntúa
30/30Respaldo de la propiedad — propiedad de una organización
0/20Dominio verificado
17.7/25Alcance del propietario — 286 seguidores de alteryx
25/25Trayectoria — 143 repos públicos, cuenta de ~11 años
Datos de entrada utilizados
followers286
owner_typeOrganization
is_verifiedno
owner_loginalteryx
public_repos143
account_age_days4083

Mantenimiento de paquetes

69Bueno
Cómo se puntúa
25/25Publicado y resoluble — 1 paquete(s) en pypi
4/35Recencia de publicación — última publicación hace 808 días
20/20Historial de versiones — 87 versiones en el registro
20/20No obsoleto — activo, ni obsoleto ni retirado
Datos de entrada utilizados
packagesevalml
ecosystemspypi
any_deprecatedno
min_days_since_publish808

Calidad de Ingeniería

¿Existen unas prácticas mínimas de ingeniería y documentación?

80Excelente · 19% del índice global

Prácticas de ingeniería

74Bueno
Cómo se puntúa
24/24Flujos de trabajo de CI — 20 flujo(s) de trabajo
24/24Pruebas presentes
16/16Configuración de linter — pyproject.toml ([tool.ruff], [tool.black])
9.6/9.6Hooks de pre-commit
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — 0 out of 30 merged PRs checked by a CI test -- score normalized to 0
Datos de entrada utilizados
has_cisí
has_testssí
has_editorconfigno
has_linter_configsí
has_precommit_configsí

Documentación

90Excelente
Cómo se puntúa
30/30README
25/25Directorio de documentación
15/15Sitio de documentación / página del proyecto — https://evalml.alteryx.com
10/10Descripción del repositorio
10/10Topics — 8 topics
0/10Wiki
Datos de entrada utilizados
topicsautoml, machine-learning, data-science, model-selection, hyperparameter-tuning, optimization, feature-engineering, feature-selection
has_wikino
homepagehttps://evalml.alteryx.com
docs_sitehttps://evalml.alteryx.com
has_readmesí
has_docs_dirsí
has_descriptionsí

Seguridad

¿Son sólidas las prácticas visibles de seguridad y de cadena de suministro, sin exposición jurisdiccional de alto riesgo sin resolver?

51Moderado · 16% del índice global

Postura de seguridad

44Débil
Cómo se puntúa
7.5/7.5Binary-Artifacts — no binaries found in the repo
0/7.5Branch-Protection — sin datos
0/2.5CI-Tests — 0 out of 30 merged PRs checked by a CI test -- score normalized to 0
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
7.5/7.5Code-Review — all changesets reviewed
2.5/2.5Contributors — project has 4 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
2.5/2.5Licencia — license file detected
0/7.5Maintained — 0 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 0
0/5Packaging — sin datos
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 — sin datos
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
0/7.5Vulnerabilities — 10 existing vulnerabilities detected
Datos de entrada utilizados
sourceopenssf_scorecard
checks_evaluated15
scorecard_versionv5.5.0
checks_inconclusive3
scorecard_aggregate4,4
Excluidos de la puntuación (sin datos o no aplicable): Branch-Protection, Packaging, Signed-Releases. Los pesos restantes se han renormalizado.

Avisos de dependencias

80Excelente
Cómo se puntúa
20.2/35Dependencias directas libres de avisos conocidos — 1 afectados: scikit-learn 1.4.2 (moderate 5.3)
25/25Dependencias indirectas libres de avisos conocidos — ninguna dependencia indirecta tiene un aviso conocido
35.3/40Sin avisos pendientes — 1 paquete(s) con avisos sin atender más allá de 90 días; el más antiguo publicado hace 808 días
Datos de entrada utilizados
sourceosv
advisories2
affected_packages1
assessed_packages106
unassessed_packages0
affected_by_severitymoderate 1
direct_affected_packages1
Se cotejó el cierre de dependencias en tiempo de ejecución de pypi:evalml@0.84.0 —lo que arrastra la instalación del paquete publicado—: 106 paquetes. No se analiza la alcanzabilidad.

Preparación para IA

¿Hasta qué punto está el repositorio preparado para desarrollarse y mantenerse con agentes de codificación de IA? Tiene un peso deliberadamente pequeño (4%): las herramientas para agentes son una señal real de mantenimiento, pero un repositorio sin ninguna puede alcanzar igualmente 100/100.

60Moderado · 4% del índice global

Contexto y guía para agentes

40Débil
Cómo se puntúa
0/45Instrucciones para agentes — sin CLAUDE.md / AGENTS.md / reglas de editor
0/15Documentación legible por máquinas (llms.txt)
40/40Historial de commits legible — 100 de 100 commits humanos declaran su intención (asunto estructurado o cuerpo explicativo)
Datos de entrada utilizados
has_llms_txtno
llms_txt_url—
legible_history_share1
agent_instruction_files—
agent_instruction_max_bytes—

Bucle de verificación (compilación / pruebas / verificación de tipos)

61Moderado
Cómo se puntúa
18/18Arranque con un solo comando — Makefile, docs/Makefile
22/22Pruebas automatizadas
11/11Configuración de lint / formato — pyproject.toml ([tool.ruff], [tool.black])
0/11Verificación estática de tipos
10/10Entorno reproducible — Dockerfile
0/10Práctica demostrada con agentes — ningún commit con autoría de agente entre los últimos 100
0/8Mantenimiento automatizado — no se observan actualizaciones automáticas de dependencias
0/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
Datos de entrada utilizados
has_nixno
has_testssí
lockfiles—
has_dockerfilesí
typed_languageno
bootstrap_filesMakefile, docs/Makefile
has_devcontainerno
has_linter_configsí
typecheck_configs—
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0

Legibilidad del código para modelos

54Moderado
Cómo se puntúa
0/45Código verificable por tipos — Python sin configuración de verificación de tipos
53.5/55Tamaños de archivo manejables — 10/378 archivos fuente de más de 60 KB
Datos de entrada utilizados
primary_languagePython
largest_source_bytes193.395
source_files_sampled378
oversized_source_files10

Interfaces legibles por máquina

100Excepcional
Cómo se puntúa
0/40Esquema de API (OpenAPI/GraphQL/proto) — no aplicable a este tipo de software
0/20Servidor MCP — no aplicable a este tipo de software
40/40Ejemplos ejecutables — demos, notebooks
Datos de entrada utilizados
example_dirsdemos, notebooks
has_mcp_signalno
api_schema_files—
interfaces_expected_of—
Excluidos de la puntuación (sin datos o no aplicable): Esquema de API (OpenAPI/GraphQL/proto), Servidor MCP. Los pesos restantes se han renormalizado.

Datos clave

852estrellas de GitHub
35contribuidores
0commits en los últimos 12 meses
221días desde el último push
100versiones publicadas
4factor bus
316issues abiertas
PyPIecosistemas de paquetes

Advertencias de recopilación de datos

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

Más detalle

Historial de estrellas y forks 0 ★ / 94 ⇿
0Estrellas
94Forks
85Versiones

Cuándo se añadió cada estrella y fork, recopilado de GitHub y agrupado por día. El crecimiento acumulado se sitúa justo encima de las adiciones diarias que lo componen, de modo que ambos se leen en conjunto: la acumulación orgánica sostenida no se parece en nada a un pico abrupto y efímero. Cuando esa diferencia es medible, se informa como autenticidad del crecimiento.

0204060801009252020-092023-082026-08
Mayor 0Menor 69Parche 14

Cada punto abarca 6 días.

OpenSSF Scorecard 4.4 / 10
4.4agregado

Evaluación de seguridad independiente y agnóstica en cuanto a herramientas, procedente del proyecto de código abierto OpenSSF Scorecard. Cada comprobación premia una práctica de seguridad, no la herramienta de un proveedor concreto. Las comprobaciones que Scorecard no pudo determinar se marcan como n/d y se excluyen de la puntuación de seguridad (nunca se cuentan como cero).Scorecard v5.5.0 · 2026-08-24 15:24 UTC

10Binary-Artifactsno binaries found in the repo
n/dBranch-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
0CI-Tests0 out of 30 merged PRs checked by a CI test -- score normalized to 0
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
10Code-Reviewall changesets reviewed
10Contributorsproject has 4 contributing companies or organizations
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
0Maintained0 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 0
n/dPackagingpackaging 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
n/dSigned-Releasesno releases found
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
0Vulnerabilities10 existing vulnerabilities detected
Dependencias directas 36
RegistroPaqueteRestricción de versiónManifiesto
PyPInumpy>= 1.22.0pyproject.toml
PyPIpandas>= 1.5.0, <2.1.0pyproject.toml
PyPIscipy>= 1.5.0, <1.14.0pyproject.toml
PyPIscikit-learn>= 1.3.2pyproject.toml
PyPIscikit-optimize>= 0.9.0pyproject.toml
PyPIpyzmq>= 21.0.2pyproject.toml
PyPIcolorama>= 0.4.4pyproject.toml
PyPIcloudpickle>= 1.5.0pyproject.toml
PyPIclick>= 8.0.0pyproject.toml
PyPIshap>= 0.45.0pyproject.toml
PyPIstatsmodels>= 0.12.2pyproject.toml
PyPItexttable>= 1.6.2pyproject.toml
PyPIwoodwork>= 0.22.0pyproject.toml
PyPIdask>= 2022.2.0, != 2022.10.1pyproject.toml
PyPIdistributed>= 2022.2.0, != 2022.10.1pyproject.toml
PyPIfeaturetools>= 1.16.0pyproject.toml
PyPInlp-primitives>= 2.9.0pyproject.toml
PyPInetworkx>= 2.7pyproject.toml
PyPIplotly>= 5.0.0pyproject.toml
PyPIkaleido>= 0.2.0pyproject.toml
PyPIipywidgets>= 7.5pyproject.toml
PyPIxgboost>= 1.7.0.post0pyproject.toml
PyPIcatboost>= 1.1.1pyproject.toml
PyPIlightgbm>= 4.0.0pyproject.toml
PyPImatplotlib>= 3.3.3pyproject.toml
PyPIgraphviz>= 0.13pyproject.toml
PyPIseaborn>= 0.11.1pyproject.toml
PyPIcategory-encoders>= 2.2.2, <= 2.5.1.post0pyproject.toml
PyPIimbalanced-learn>= 0.11.0pyproject.toml
PyPIpmdarima>= 1.8.5pyproject.toml
PyPIsktime>= 0.21.0, < 0.29.0pyproject.toml
PyPIlime>= 0.2.0.1pyproject.toml
PyPItomli>= 2.0.1pyproject.toml
PyPIpackaging>= 23.0pyproject.toml
PyPIblack>= 22.3.0pyproject.toml
PyPIholidays>= 0.13pyproject.toml
Todas las dependencias 81

Conjunto completo de dependencias resueltas según el grafo de dependencias de GitHub: 72 paquetes directos y 9 indirectos (transitivos). El cierre transitivo es completo cuando el repositorio incluye un lockfile.

RegistroPaqueteVersiónRelación
PyPIblack—directa
PyPIblack22.3.0directa
PyPIcatboost—directa
PyPIcatboost1.1.1directa
PyPIcategory-encoders—directa
PyPIcategory-encoders2.2.2directa
PyPIclick—directa
PyPIclick8.0.0directa
PyPIcloudpickle—directa
PyPIcloudpickle1.5.0directa
PyPIcolorama—directa
PyPIcolorama0.4.4directa
PyPIdask—directa
PyPIdask2022.2.0directa
PyPIdistributed—directa
PyPIdistributed2022.2.0directa
PyPIfeaturetools—directa
PyPIfeaturetools1.16.0directa
PyPIgraphviz—directa
PyPIgraphviz0.13directa
PyPIholidays—directa
PyPIholidays0.13directa
PyPIimbalanced-learn—directa
PyPIimbalanced-learn0.11.0directa
PyPIipywidgets—directa
PyPIipywidgets7.5directa
PyPIkaleido—directa
PyPIkaleido0.2.0directa
PyPIlightgbm—directa
PyPIlightgbm4.0.0directa
PyPIlime—directa
PyPIlime0.2.0.1directa
PyPImatplotlib—directa
PyPImatplotlib3.3.3directa
PyPInetworkx—directa
PyPInetworkx2.7directa
PyPInlp-primitives—directa
PyPInlp-primitives2.9.0directa
PyPInumpy—directa
PyPInumpy1.22.0directa
PyPIpackaging—directa
PyPIpackaging23.0directa
PyPIpandas—directa
PyPIpandas1.5.0directa
PyPIplotly—directa
PyPIplotly5.0.0directa
PyPIpmdarima—directa
PyPIpmdarima1.8.5directa
PyPIpyzmq—directa
PyPIpyzmq21.0.2directa
PyPIscikit-learn—directa
PyPIscikit-learn1.3.2directa
PyPIscikit-optimize—directa
PyPIscikit-optimize0.9.0directa
PyPIscipy—directa
PyPIscipy1.5.0directa
PyPIseaborn—directa
PyPIseaborn0.11.1directa
PyPIshap—directa
PyPIshap0.45.0directa
PyPIsktime—directa
PyPIsktime0.21.0directa
PyPIstatsmodels—directa
PyPIstatsmodels0.12.2directa
PyPItexttable—directa
PyPItexttable1.6.2directa
PyPItomli—directa
PyPItomli2.0.1directa
PyPIwoodwork—directa
PyPIwoodwork0.22.0directa
PyPIxgboost—directa
PyPIxgboost1.7.0.post0directa
PyPIcoverage6.4indirecta
PyPIipython8.10.0indirecta
PyPInbval0.9.3indirecta
PyPIpytest7.1.2indirecta
PyPIpytest-cov2.10.1indirecta
PyPIpytest-timeout1.4.2indirecta
PyPIpytest-xdist2.1.0indirecta
PyPIpyyaml6.0.1indirecta
PyPIsetuptools—indirecta
Avisos de dependencias 1

Instalar pypi:evalml@0.84.0 arrastra 106 paquetes, directos y transitivos: 1 tienen avisos conocidos, de los cuales 1 son dependencias directas.

PaqueteVersiónRelaciónGravedadAvisosCorregido en
scikit-learn1.4.2directamoderada21.5.0

Un aviso significa que la versión registrada en el grafo de dependencias cae dentro del rango afectado de un aviso. No se analiza la alcanzabilidad, y el grafo incluye fijaciones de desarrollo y prueba: un hallazgo puede referirse al utillaje y no al software distribuido.

Informe JSON sin procesar legible por máquina

Comentarios

¿Algo no cuadra en este informe, o hay ideas que compartir? Mediciones erróneas, herramientas no detectadas, ideas, preguntas: todo es bienvenido. Cada mensaje se lee y recibe respuesta.

El mensaje se conserva durante el inicio de sesión.

Registros relacionados

Repositorios inspeccionados que comparten etiquetas de catálogo o ecosistemas con alteryx/evalml. Leer en paralelo →

100ray-project/rayRay is an AI compute engine. Ray consists of a core distributed runtime and a set of AI Libraries for accelerating ML workloads.Excepcional100wandb/wandbThe AI developer platform. Use Weights & Biases to train and fine-tune models, and manage models from experimentation to production.Excepcional98autogluon/autogluonFast and Accurate ML in 3 Lines of CodeExcepcional98Nixtla/statsforecastLightning ⚡️ fast forecasting with statistical and econometric models.Excepcional97zenml-io/zenmlZenML 🙏: One AI Platform from Pipelines to Agents. https://zenml.io.Excepcional96microsoft/FLAMLA fast library for AutoML and tuning. Join our Discord: https://discord.gg/Cppx2vSPVP.Excepcional

Las puntuaciones son señales, no garantías. Reflejan prácticas públicamente visibles en GitHub; no son una auditoría de código ni una garantía de seguridad.

Los datos ausentes se excluyen y los pesos se renormalizan; nunca se puntúan como cero. La metodología es versionada y abierta: métricas v2.10.0, esquema v0.34.0 — metodología completa · wiki de métricas.

Cómo se sitúa un resultado dentro del registro general: estadísticas agregadas — PyPI.