Registro público
Informe de salud del softwareesquema 0.34.0 · métricas 2.10.0 · 2026-09-17 17:12 UTC

interpretml / interpret

Fit interpretable models. Explain blackbox machine learning.

C++ · PythonMIT★ 6944 estrellas⑂ 788 forksdesde may 2019Ver en GitHub ↗
TipoBibliotecacómo se determina
#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 tiene un índice de salud de 89 sobre 100, lo que lo sitúa en la banda Excelente. Su puntuación más alta es Engineering Quality (90/100) y la más baja, Security (61/100). Se actualizó por última vez hace 3 días. Una sola persona concentra la mayor parte del trabajo reciente.

89
global / 100
Excelente

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.

89
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 75 se calibra a 89 en la escala publicada del índice (calibración del registro 2026-08-02).

Titularidad

InterpretMLOrganización
293 seguidores15 repositorios públicosdesde abr 2017

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

Ecosistemas de paquetes

RegistroPaqueteVersiónDescargas / mesVersionesÚltima publicación
npm@interpretml/interpret-inline0.7.832846hace 183 días
PyPIinterpret0.7.8159.78771hace 183 días
PyPIinterpret-core0.7.8-50hace 183 días
PyPIpowerlift0.1.1212715hace 718 días

Métricas por categoría

Vitalidad

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

76Bueno · 21% del índice global

Actividad de desarrollo

74Bueno
Cómo se puntúa
36/36Recencia de push — último push hace 3 días
16.6/36Cadencia de commits — 24/52 semanas con commits
18/18Volumen de commits — 201 commits en el último año
3/10OpenSSF Scorecard: Maintained — 3 commit(s) and 1 issue activity found in the last 90 days -- score normalized to 3
Datos de entrada utilizados
commits_last_year201
human_commit_share0,95
days_since_last_push3
active_weeks_last_year24

Disciplina de publicación

78Bueno
Cómo se puntúa
27/27Publica versiones — 66 versiones publicadas
16.2/36Recencia de las versiones — última versión hace 183 días
27/27Cadencia de publicación — una versión cada ~27,6 días
0/10OpenSSF Scorecard: Signed-Releases — sin datos
Datos de entrada utilizados
releases_count66
latest_release_tagv0.7.8
releases_from_tagsno
days_since_latest_release183
mean_days_between_releases27,6
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?

85Excelente · 17% del índice global

Popularidad y adopción

96Excepcional
Cómo se puntúa
60/60Estrellas — 6944 estrellas
24.1/25Forks — 788 forks
11.9/15Observadores — 142 observadores
Datos de entrada utilizados
forks788
stars6944
watchers142
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Salud de la comunidad

70Bueno
Cómo se puntúa
22.5/22.5README
22.5/22.5Licencia — licencia reconocida (MIT)
18/18Guía CONTRIBUTING
0/13.5Código de conducta
0/7.2Plantilla de issues
0/6.3Plantilla de PR
Datos de entrada utilizados
has_readmesí
has_licensesí
readme_badges7
has_contributingsí
has_issue_templateno
has_code_of_conductno
readme_badge_servicescodecov.io, github.com, shields.io
has_pull_request_templateno

Adopción en el ecosistema (descargas)

87Excelente
Cómo se puntúa
69.4/80Descargas mensuales — 160.242 descargas/mes en npm, pypi
0/20Dependientes en el registro — no lo informa este ecosistema
Datos de entrada utilizados
packages@interpretml/interpret-inline, interpret, interpret-core, powerlift
dependents—
ecosystemsnpm, pypi
total_downloads—
monthly_downloads160.242
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?

64Moderado · 23% del índice global

Resiliencia de mantenedores (factor bus)

42Débil
Cómo se puntúa
9/54Factor bus — la mitad de los commits recae en 1 contribuyente(s)
9.7/22.5Distribución de commits — el principal contribuyente firma el 57% de los commits
13.5/13.5Amplitud de contribuyentes — 50 contribuyentes
10/10OpenSSF Scorecard: Contributors — project has 3 contributing companies or organizations -- score normalized to 10
Datos de entrada utilizados
bus_factor1
contributors_sampled50
top_contributor_share0,571

Capacidad de respuesta a issues y PR

64Moderado
Cómo se puntúa
38.9/42Resolución de issues — 93% de issues cerradas
23.2/30Aceptación de PR — 136/176 PR decididos fusionados
0/13Newcomer PR acceptance — 0/1 PR de contribuyentes primerizos fusionados en 30 d
1.5/15OpenSSF Scorecard: Code-Review — Found 4/26 approved changesets -- score normalized to 1
Datos de entrada utilizados
merged_prs136
open_issues36
closed_issues449
prs_merged_7d0
prs_decided_7d0
prs_merged_30d0
prs_decided_30d1
issue_closed_ratio0,926
closed_unmerged_prs40
first_time_authors_30d1
first_time_prs_merged_30d0
first_time_prs_decided_30d1

Propiedad y custodia

68Bueno
Cómo se puntúa
30/30Respaldo de la propiedad — propiedad de una organización
0/20Dominio verificado
17.7/25Alcance del propietario — 293 seguidores de interpretml
20.8/25Trayectoria — 15 repos públicos, cuenta de ~9 años
Datos de entrada utilizados
followers293
owner_typeOrganization
is_verifiedno
owner_logininterpretml
public_repos15
account_age_days3447

Mantenimiento de paquetes

91Excelente
Cómo se puntúa
25/25Publicado y resoluble — 4 paquete(s) en npm, pypi
26/35Recencia de publicación — última publicación hace 183 días
20/20Historial de versiones — 71 versiones en el registro
20/20No obsoleto — activo, ni obsoleto ni retirado
Datos de entrada utilizados
packages@interpretml/interpret-inline, interpret, interpret-core, powerlift
ecosystemsnpm, pypi
any_deprecatedno
min_days_since_publish183

Calidad de Ingeniería

¿Existen unas prácticas mínimas de ingeniería y documentación?

90Excelente · 19% del índice global

Prácticas de ingeniería

90Excelente
Cómo se puntúa
24/24Flujos de trabajo de CI — 4 flujo(s) de trabajo
24/24Pruebas presentes
16/16Configuración de linter — .eslintrc.json, .flake8, ruff.toml
9.6/9.6Hooks de pre-commit
0/6.4.editorconfig
16/20OpenSSF Scorecard: CI-Tests — 7 out of 8 merged PRs checked by a CI test -- score normalized to 8
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://interpret.ml/docs
10/10Descripción del repositorio
10/10Topics — 19 topics
0/10Wiki
Datos de entrada utilizados
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_wikino
homepagehttps://interpret.ml/docs
docs_sitehttps://interpret.ml/docs
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?

61Moderado · 16% del índice global

Postura de seguridad

51Moderado
Cómo se puntúa
7.5/7.5Binary-Artifacts — no binaries found in the repo
0/7.5Branch-Protection — branch protection not enabled on development/release branches
2/2.5CI-Tests — 7 out of 8 merged PRs checked by a CI test -- score normalized to 8
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
2.5/2.5Licencia — license file detected
2.2/7.5Maintained — 3 commit(s) and 1 issue activity found in the last 90 days -- score normalized to 3
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 — sin datos
7.5/7.5Token-Permissions — GitHub workflow tokens follow principle of least privilege
0/7.5Vulnerabilities — 10 existing vulnerabilities detected
Datos de entrada utilizados
sourceopenssf_scorecard
checks_evaluated17
scorecard_versionv5.5.0
checks_inconclusive1
scorecard_aggregate5,1
Excluidos de la puntuación (sin datos o no aplicable): Signed-Releases. Los pesos restantes se han renormalizado.

Avisos de dependencias

100Excepcional
Cómo se puntúa
35/35Dependencias directas libres de avisos conocidos — ninguna dependencia directa tiene un aviso conocido
25/25Dependencias indirectas libres de avisos conocidos — ninguna dependencia indirecta tiene un aviso conocido
0/40Sin avisos pendientes — ningún aviso tiene fecha de publicación
Datos de entrada utilizados
sourceosv
advisories0
affected_packages0
assessed_packages78
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Excluidos de la puntuación (sin datos o no aplicable): Sin avisos pendientes. Los pesos restantes se han renormalizado. Se cotejó el cierre de dependencias en tiempo de ejecución de pypi:interpret@0.7.8 —lo que arrastra la instalación del paquete publicado—: 78 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.

80Excelente · 4% del índice global

Contexto y guía para agentes

52Moderado
Cómo se puntúa
45/45Instrucciones para agentes — CLAUDE.md
0/15Documentación legible por máquinas (llms.txt)
7.3/40Historial de commits legible — 13 de 95 commits humanos declaran su intención (asunto estructurado o cuerpo explicativo)
Datos de entrada utilizados
has_llms_txtno
llms_txt_url—
legible_history_share0,137
agent_instruction_filesCLAUDE.md
agent_instruction_max_bytes11.853

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

88Excelente
Cómo se puntúa
18/18Arranque con un solo comando — scripts/Makefile
22/22Pruebas automatizadas
11/11Configuración de lint / formato — .eslintrc.json, .flake8, ruff.toml
11/11Verificación estática de tipos — C++ (tipado estático)
10/10Entorno reproducible — Dockerfile
8/10Práctica demostrada con agentes — 4 de los últimos 100 commits con autoría o crédito de agente
8/8Mantenimiento automatizado — 3 de los últimos 100 commits son 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_languagesí
bootstrap_filesscripts/Makefile
has_devcontainerno
has_linter_configsí
typecheck_configs—
agent_commit_share0,04
toolchain_manifests—
dependency_bot_commit_share0,03

Legibilidad del código para modelos

98Excepcional
Cómo se puntúa
45/45Código verificable por tipos — C++ (tipado estático)
52.5/55Tamaños de archivo manejables — 13/289 archivos fuente de más de 60 KB
Datos de entrada utilizados
primary_languageC++
largest_source_bytes191.608
source_files_sampled289
oversized_source_files13

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 — examples, notebooks
Datos de entrada utilizados
example_dirsexamples, 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

6944estrellas de GitHub
50contribuidores
201commits en los últimos 12 meses
3días desde el último push
66versiones publicadas
1factor bus
36issues abiertas
PyPIecosistemas de paquetes

Advertencias de recopilación de datos

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • pypi download statistics for 'interpret-core' unavailable this scan (stats endpoint failed after retries); adoption may be under-evidenced

Más detalle

Historial de estrellas y forks 0 ★ / 788 ⇿
0Estrellas
788Forks
66Versiones

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.

0200400600800773552019-052023-012026-09
Mayor 0Menor 7Parche 59

Cada punto abarca 7 días.

OpenSSF Scorecard 5.1 / 10
5.1agregado

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 · 2026-09-17 17:12 UTC

10Binary-Artifactsno binaries found in the repo
0Branch-Protectionbranch protection not enabled on development/release branches
8CI-Tests7 out of 8 merged PRs checked by a CI test -- score normalized to 8
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
3Maintained3 commit(s) and 1 issue activity found in the last 90 days -- score normalized to 3
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
n/dSigned-Releasesno releases found
10Token-PermissionsGitHub workflow tokens follow principle of least privilege
0Vulnerabilities10 existing vulnerabilities detected
Dependencias directas 9
RegistroPaqueteRestricción de versiónManifiesto
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
Todas las dependencias 144

Conjunto completo de dependencias resueltas según el grafo de dependencias de GitHub: 7 paquetes directos y 137 indirectos (transitivos). El cierre transitivo es completo cuando el repositorio incluye un lockfile.

RegistroPaqueteVersiónRelación
npmcytoscape^3.33.1directa
npmplotly.js-cartesian-dist-min^2.35.3directa
PyPInumpy—directa
PyPIpandas—directa
PyPIsqlalchemy—directa
PyPIsqlalchemy2.0.48directa
PyPIsqlalchemy-utils—directa
npm@babel/core^7.29.0indirecta
npm@babel/preset-env^7.29.0indirecta
npmbabel-loader^10.1.1indirecta
npmcss-loader^7.1.4indirecta
npmeslint^9.39.4indirecta
npmeslint-config-prettier^10.1.8indirecta
npmeslint-plugin-prettier^5.5.5indirecta
npmprettier^3.8.1indirecta
npmsass^1.98.0indirecta
npmsass-loader^16.0.7indirecta
npmstyle-loader^4.0.0indirecta
npmwebpack^5.105.4indirecta
npmwebpack-cli^6.0.1indirecta
npmwebpack-dev-server^5.2.3indirecta
PyPIaccessible-pygments0.0.5indirecta
PyPIalabaster0.7.16indirecta
PyPIaplr—indirecta
PyPIasttokens3.0.1indirecta
PyPIattrs25.4.0indirecta
PyPIbabel2.18.0indirecta
PyPIbeautifulsoup44.14.3indirecta
PyPIcertifi2026.2.25indirecta
PyPIcharset-normalizer3.4.5indirecta
PyPIclick8.3.1indirecta
PyPIcomm0.2.3indirecta
PyPIdash—indirecta
PyPIdash-cytoscape—indirecta
PyPIdebugpy1.8.20indirecta
PyPIdecorator5.2.1indirecta
PyPIdocutils0.18.1indirecta
PyPIdotsi—indirecta
PyPIexceptiongroup1.3.1indirecta
PyPIexecuting2.2.1indirecta
PyPIfastjsonschema2.21.2indirecta
PyPIflask—indirecta
PyPIgevent—indirecta
PyPIgreenlet3.3.2indirecta
PyPIidna3.15indirecta
PyPIimagesize2.0.0indirecta
PyPIimportlib-metadata8.7.1indirecta
PyPIinterpret-core0.7.8indirecta
PyPIipykernel7.2.0indirecta
PyPIipython—indirecta
PyPIipython8.38.0indirecta
PyPIipywidgets—indirecta
PyPIjedi0.19.2indirecta
PyPIjinja23.1.6indirecta
PyPIjoblib—indirecta
PyPIjsonschema4.26.0indirecta
PyPIjsonschema-specifications2025.9.1indirecta
PyPIjupyter-book0.15.1indirecta
PyPIjupyter-cache0.6.1indirecta
PyPIjupyter-client8.8.0indirecta
PyPIjupyter-core5.9.1indirecta
PyPIlatexcodec3.0.1indirecta
PyPIlime—indirecta
PyPIlinkify-it-py2.0.3indirecta
PyPImarkdown-it-py2.2.0indirecta
PyPImarkupsafe3.0.3indirecta
PyPImatplotlib—indirecta
PyPImatplotlib-inline0.2.1indirecta
PyPImdit-py-plugins0.3.5indirecta
PyPImdurl0.1.2indirecta
PyPImyst-nb0.17.2indirecta
PyPImyst-parser0.18.1indirecta
PyPInbclient0.7.4indirecta
PyPInbconvert—indirecta
PyPInbformat—indirecta
PyPInbformat5.10.4indirecta
PyPInest-asyncio1.6.0indirecta
PyPIopenml—indirecta
PyPIpackaging26.0indirecta
PyPIparso0.8.6indirecta
PyPIpexpect4.9.0indirecta
PyPIplatformdirs4.9.4indirecta
PyPIplotly—indirecta
PyPIpmlb—indirecta
PyPIprompt-toolkit3.0.52indirecta
PyPIpsutil—indirecta
PyPIpsutil7.2.2indirecta
PyPIpsycopg2—indirecta
PyPIptyprocess0.7.0indirecta
PyPIpure-eval0.2.3indirecta
PyPIpybtex0.25.1indirecta
PyPIpybtex-docutils1.0.3indirecta
PyPIpydata-sphinx-theme0.15.4indirecta
PyPIpygments2.20.0indirecta
PyPIpytest—indirecta
PyPIpytest-cov—indirecta
PyPIpytest-xdist—indirecta
PyPIpython-dateutil2.9.0.post0indirecta
PyPIpyyaml6.0.3indirecta
PyPIpyzmq27.1.0indirecta
PyPIreferencing0.37.0indirecta
PyPIrequests—indirecta
PyPIrequests2.33.0indirecta
PyPIrpds-py0.30.0indirecta
PyPIsalib—indirecta
PyPIscikit-learn—indirecta
PyPIscipy—indirecta
PyPIseaborn—indirecta
PyPIselenium—indirecta
PyPIsetuptools—indirecta
PyPIshap—indirecta
PyPIsix1.17.0indirecta
PyPIskope-rules—indirecta
PyPIsnowballstemmer3.0.1indirecta
PyPIsoupsieve2.8.3indirecta
PyPIsphinx5.0.2indirecta
PyPIsphinx-book-theme1.0.1indirecta
PyPIsphinx-comments0.0.3indirecta
PyPIsphinx-copybutton0.5.2indirecta
PyPIsphinx-design0.3.0indirecta
PyPIsphinx-external-toc0.3.1indirecta
PyPIsphinx-jupyterbook-latex0.5.2indirecta
PyPIsphinx-multitoc-numbering0.1.3indirecta
PyPIsphinx-thebe0.2.1indirecta
PyPIsphinx-togglebutton0.4.4indirecta
PyPIsphinxcontrib-applehelp2.0.0indirecta
PyPIsphinxcontrib-bibtex2.5.0indirecta
PyPIsphinxcontrib-devhelp2.0.0indirecta
PyPIsphinxcontrib-htmlhelp2.1.0indirecta
PyPIsphinxcontrib-jsmath1.0.1indirecta
PyPIsphinxcontrib-qthelp2.0.0indirecta
PyPIsphinxcontrib-serializinghtml2.0.0indirecta
PyPIstack-data0.6.3indirecta
PyPItabulate0.10.0indirecta
PyPItornado6.5.5indirecta
PyPItraitlets5.14.3indirecta
PyPItreeinterpreter—indirecta
PyPItyping-extensions4.15.0indirecta
PyPIuc-micro-py2.0.0indirecta
PyPIurllib32.7.0indirecta
PyPIwcwidth0.6.0indirecta
PyPIwheel0.46.3indirecta
PyPIxlsxwriter—indirecta
PyPIzipp3.23.0indirecta
Avisos de dependencias 0

Instalar pypi:interpret@0.7.8 arrastra 78 paquetes, directos y transitivos: 0 tienen avisos conocidos, de los cuales 0 son dependencias directas.

Ningún aviso conocido afecta a las dependencias evaluadas.

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 interpretml/interpret. Leer en paralelo →

100onnx/onnxOpen standard for machine learning interoperabilityExcepcional98sktime/sktimeA unified framework for machine learning with time seriesExcepcional96flwrlabs/flowerFlower: A Friendly Federated AI FrameworkExcepcional98huggingface/datasets🤗 The largest hub of ready-to-use datasets for AI models with fast, easy-to-use and efficient data manipulation toolsExcepcional98deepnote/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/Excepcional98basetenlabs/trussThe simplest way to serve AI/ML models in productionExcepcional

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 — npm, PyPI.