Git Stars Git Stars

#interpretable-machine-learning Repositories

Entdecke 9 aktive Open-Source-GitHub-Repositories, die mit #interpretable-machine-learning getaggt sind und insgesamt 18,839 Sterne gesammelt haben (durchschnittlich 2,093 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist interpretml/interpret mit 6,986 Sternen.

9
Gesamtzahl der Repositories
18,839
Gesamtanzahl der Sterne
2,093
Durchschnittliche Sterne/Repo

Insgesamt 9 Repositories

1
interpretml/interpret

Passen Sie interpretierbare Modelle an. Erklären Sie Blackbox-Machine-Learning.

interpretml
⭐ 6,986 C++ 👤 interpretml Organization 🕐 Aktualisiert 2026-11-16 📅 Erstellt 2019-05-03
2
jphall663/awesome-machine-learning-interpretability

Eine kuratierte Liste toller verantwortungsvoller Machine-Learning-Ressourcen.

jphall663
⭐ 4,088 👤 jphall663 User 🕐 Aktualisiert 2026-06-03 📅 Erstellt 2018-06-21
3
interpretml/DiCE

Generieren Sie vielfältige kontrafaktische Erklärungen für jedes Machine-Learning-Modell.

interpretml
⭐ 1,519 Python 👤 interpretml Organization 🕐 Aktualisiert 2025-07-13 📅 Erstellt 2019-05-02
4
ModelOriented/DALEX

Modellunabhängige Sprache zur Exploration und Erklärung

ModelOriented
⭐ 1,489 Python 👤 ModelOriented Organization 🕐 Aktualisiert 2026-07-15 📅 Erstellt 2018-02-18
5
SelfExplainML/PiML-Toolbox

PiML (Python Interpretable Machine Learning) Toolbox für die Modellentwicklung und -diagnose

SelfExplainML
⭐ 1,285 Jupyter Notebook 👤 SelfExplainML Organization 🕐 Aktualisiert 2025-03-30 📅 Erstellt 2022-04-29
6
dswah/pyGAM

[MITWIRKENDE WILLKOMMEN] Generalisierte additive Modelle in Python

dswah
⭐ 1,024 Python 👤 dswah User 🕐 Aktualisiert 2026-04-21 📅 Erstellt 2017-01-19
7
salesforce/OmniXAI

OmniXAI: Eine Bibliothek für eXplainable AI

salesforce
⭐ 975 Jupyter Notebook 👤 salesforce Organization 🕐 Aktualisiert 2026-06-02 📅 Erstellt 2022-02-17
8
mmschlk/shapiq

Shapley-Werte und Shapley-Interaktionen für maschinelles Lernen

mmschlk
⭐ 797 Python 👤 mmschlk User 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2023-10-17
9
jphall663/interpretable_machine_learning_with_python

Beispiele für Techniken zum Trainieren interpretierbarer ML-Modelle, Erklären von ML-Modellen und Debuggen von ML-Modellen hinsichtlich Genauigkeit, Diskriminierung und Sicherheit.

jphall663
⭐ 679 Jupyter Notebook 👤 jphall663 User 🕐 Aktualisiert 2024-06-17 📅 Erstellt 2018-03-14

Häufig gestellte Fragen

1

Welches ist das beliebteste #interpretable-machine-learning-Repository auf GitHub?

Das am höchsten eingestufte Open-Source-#interpretable-machine-learning-Projekt auf GitHub ist interpretml/interpret mit 6,986 Sternen. Passen Sie interpretierbare Modelle an. Erklären Sie Blackbox-Machine-Learning.

2

Welche Programmiersprachen werden in #interpretable-machine-learning-Repositories am häufigsten verwendet?

Unter den am höchsten eingestuften #interpretable-machine-learning-Projekten auf GitHub sind Python, Jupyter Notebook, C++ die am häufigsten verwendeten Programmiersprachen.

3

Wie wird das Ranking der #interpretable-machine-learning-Repositories berechnet?

Wir verfolgen 9 aktive Open-Source-Repositories, die mit #interpretable-machine-learning getaggt sind (500+ Sterne), mit insgesamt 18,839 Sternen und durchschnittlich 2,093 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.