Git Stars Git Stars

#interpretable-machine-learning 仓库

探索 9 个标记为 #interpretable-machine-learning 的活跃开源 GitHub 仓库,它们累计获得 18,839 个 Star(平均每个项目 2,093 个)。该主题的领先项目是 interpretml/interpret,拥有 6,986 个 Star。

9
仓库总数
18,839
总星标数
2,093
平均每个仓库星标数
1
interpretml/interpret

拟合可解释模型。解释黑箱机器学习。

interpretml
⭐ 6,986 C++ 👤 interpretml Organization 🕐 已更新 2026-11-16 📅 创建时间 2019-05-03
2
jphall663/awesome-machine-learning-interpretability

精选的优秀负责任机器学习资源列表。

jphall663
⭐ 4,088 👤 jphall663 User 🕐 已更新 2026-06-03 📅 创建时间 2018-06-21
3
interpretml/DiCE

为任何机器学习模型生成多样化的反事实解释。

interpretml
⭐ 1,519 Python 👤 interpretml Organization 🕐 已更新 2025-07-13 📅 创建时间 2019-05-02
4
ModelOriented/DALEX

模型无关的探索与解释语言

ModelOriented
⭐ 1,489 Python 👤 ModelOriented Organization 🕐 已更新 2026-07-15 📅 创建时间 2018-02-18
5
SelfExplainML/PiML-Toolbox

PiML (Python Interpretable Machine Learning) 工具箱,用于模型开发与诊断

SelfExplainML
⭐ 1,285 Jupyter Notebook 👤 SelfExplainML Organization 🕐 已更新 2025-03-30 📅 创建时间 2022-04-29
6
dswah/pyGAM

[欢迎贡献者] Python 中的广义加性模型

dswah
⭐ 1,024 Python 👤 dswah User 🕐 已更新 2026-04-21 📅 创建时间 2017-01-19
7
salesforce/OmniXAI

OmniXAI: 一个用于可解释人工智能的库

salesforce
⭐ 975 Jupyter Notebook 👤 salesforce Organization 🕐 已更新 2026-06-02 📅 创建时间 2022-02-17
8
mmschlk/shapiq

用于机器学习的 Shapley 值与 Shapley 交互

mmschlk
⭐ 797 Python 👤 mmschlk User 🕐 已更新 2026-11-20 📅 创建时间 2023-10-17
9
jphall663/interpretable_machine_learning_with_python

训练可解释 ML 模型、解释 ML 模型以及针对准确性、歧视性和安全性的调试 ML 模型的技术示例。

jphall663
⭐ 679 Jupyter Notebook 👤 jphall663 User 🕐 已更新 2024-06-17 📅 创建时间 2018-03-14

常见问题解答

1

GitHub 上最受欢迎的 #interpretable-machine-learning 仓库是什么?

GitHub 上排名第一的开源 #interpretable-machine-learning 项目是 interpretml/interpret,拥有 6,986 个 Star。拟合可解释模型。解释黑箱机器学习。

2

#interpretable-machine-learning 仓库中最常使用的编程语言有哪些?

在 GitHub 上排名靠前的 #interpretable-machine-learning 项目中,最常见的编程语言是 Python, Jupyter Notebook, C++。

3

#interpretable-machine-learning 仓库的排名是如何计算的?

我们跟踪了 9 个标记为 #interpretable-machine-learning 且拥有 500+ 个 Star 的活跃开源仓库,共计获得 18,839 个 Star,平均每个仓库拥有 2,093 个 Star。排名每日根据 GitHub API 更新。