Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# So funktioniert der SageMaker AI XGBoost-Algorithmus
<a name="xgboost-HowItWorks"></a>

[XGBoost](https://github.com/dmlc/xgboost) ist eine beliebte und effiziente Open-Source-Implementierung eines Baumalgorithmus mit Gradient Boosting. Gradient Boosting ist ein überwachter Lernalgorithmus, der versucht, eine Zielvariable genau vorherzusagen, indem er die Schätzungen aus einer Menge einfacher und schwächerer Modelle kombiniert.

Wenn Sie [Gradient Boosting](https://en.wikipedia.org/wiki/Gradient_boosting) für die Regression verwenden, sind die Weak Learners Regressionsbäume und jeder Regressionsbaum weist einem seiner Blätter einen Eingabedatenpunkt zu, der eine fortlaufende Bewertung enthält. XGBoost minimiert eine geregelte (L1 und L2) objektive Funktion, die eine konvexe Verlustfunktion (basierend auf der Differenz zwischen den geschätzten Ausgaben und den Zielausgaben) und eine Sanktionsbedingung für Modellkomplexität (mit anderen Worten: die Regressionsbaumfunktionen) kombiniert. Das Training erfolgt iterativ, indem neue Bäume hinzugefügt werden, welche die Reste oder Fehler vorheriger Bäume prognostizieren, die dann mit den vorherigen Bäumen verknüpft werden, um eine endgültige Prognose zu erstellen. Dies wird als Gradient Boosting bezeichnet, weil beim Hinzufügen neuer Modelle ein Gradient-Descent-Algorithmus zur Verlustminimierung verwendet wird.

 Im Folgenden finden Sie eine kurze Abbildung, wie Gradient Tree Boosting funktioniert.

![Ein Diagramm, das das Gradient Tree Boosting veranschaulicht.](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/xgboost_illustration.png)


**Weitere Informationen zu XGBoost, finden Sie unter:**
+ [XGBoost: ein skalierbares Tree-Boosting-System](https://arxiv.org/pdf/1603.02754.pdf)
+ [Gradient Tree Boosting](https://www.sas.upenn.edu/~fdiebold/NoHesitations/BookAdvanced.pdf#page=380)
+ [Einführung in Boosted Trees](https://xgboost.readthedocs.io/en/latest/tutorials/model.html)