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.

# Como funciona o SageMaker algoritmo AI XGBoost
<a name="xgboost-HowItWorks"></a>

O [XGBoost](https://github.com/dmlc/xgboost) é uma conhecida e eficiente implantação de código aberto do algoritmo baseado em árvores com gradient boosting. O aumento de gradiente é um algoritmo de aprendizado supervisionado, que tenta prever com precisão uma variável de destino. Para isso, combina as estimativas de um conjunto de modelos mais simples e mais fracos.

No uso do [aumento de gradiente](https://en.wikipedia.org/wiki/Gradient_boosting) para regressão, as aprendizagens fracas são árvores de regressão, e cada árvore de regressão mapeia um ponto de dados de entrada para uma das folhas que contém uma pontuação contínua. O XGBoost minimiza uma função objetiva (L1 e L2) regularizada que combina uma função de perda convexa (com base na diferença entre o previsto e as saídas de destino) com um termo de penalidade para complexidade de modelo (em outras palavras, as funções da árvore de regressão). O treinamento prossegue iterativamente, adicionando novas árvores que preveem resíduos ou erros de árvores anteriores, com as quais são combinadas para fazer a predição final. É chamado de aumento de gradiente porque usa um algoritmo descendente de gradiente para minimizar a perda quando novos modelos são adicionados.

 Abaixo está uma breve ilustração de como funciona o aumento de gradiente da árvore.

![Um diagrama que ilustra o aumento de gradiente da árvore.](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/xgboost_illustration.png)


**Para obter mais detalhes sobre o XGBoost, consulte os seguintes artigos (em inglês):**
+ [XGBoost: A Scalable Tree Boosting System](https://arxiv.org/pdf/1603.02754.pdf)
+ [Aumento de gradiente da árvore ](https://www.sas.upenn.edu/~fdiebold/NoHesitations/BookAdvanced.pdf#page=380)
+ [Introduction to Boosted Trees](https://xgboost.readthedocs.io/en/latest/tutorials/model.html)