As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Crie um XGBoost estimador de SageMaker IA com a regra XGBoost Debugger Report
<a name="debugger-training-xgboost-report-estimator"></a>

A regra [CreateXgboostReport](debugger-built-in-rules.md#create-xgboost-report) coleta os seguintes tensores de saída do seu trabalho de treinamento: 
+ `hyperparameters`: Salva na primeira etapa.
+ `metrics`: Economiza perdas e precisão a cada 5 etapas.
+ `feature_importance`: Salva a cada 5 etapas.
+ `predictions`: Salva a cada 5 etapas.
+ `labels`: Salva a cada 5 etapas.

Os tensores de saída são salvos em um bucket S3 padrão. Por exemplo, .`s3://sagemaker-<region>-<12digit_account_id>/<base-job-name>/debug-output/`

Ao criar um estimador de SageMaker IA para um trabalho de XGBoost treinamento, especifique a regra conforme mostrado no código de exemplo a seguir.

------
#### [ Using the SageMaker AI generic estimator ]

```
import boto3
import sagemaker
from sagemaker.estimator import Estimator
from sagemaker import image_uris
from sagemaker.debugger import Rule, rule_configs

rules=[
    Rule.sagemaker(rule_configs.create_xgboost_report())
]

region = boto3.Session().region_name
xgboost_container=sagemaker.image_uris.retrieve("xgboost", region, "1.2-1")

estimator=Estimator(
    role=sagemaker.get_execution_role()
    image_uri=xgboost_container,
    base_job_name="debugger-xgboost-report-demo",
    instance_count=1,
    instance_type="ml.m5.2xlarge",
    
    # Add the Debugger XGBoost report rule
    rules=rules
)

estimator.fit(wait=False)
```

------