{"id":164977,"date":"2022-11-28T23:58:44","date_gmt":"2022-11-28T22:58:44","guid":{"rendered":"https:\/\/datascientest.com\/de\/?p=164977"},"modified":"2023-10-29T20:06:46","modified_gmt":"2023-10-29T19:06:46","slug":"gradient-boosting-algorithmen","status":"publish","type":"post","link":"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen","title":{"rendered":"Boosting-Algorithmen &#8211; AdaBoost, Gradient Boosting, XGBoost"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"164977\" class=\"elementor elementor-164977\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-5c20bc6 e-flex e-con-boxed e-con\" data-id=\"5c20bc6\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-f85f393 elementor-widget elementor-widget-text-editor\" data-id=\"f85f393\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<h2>Wenn du dich f\u00fcr Machine-Learning-Algorithmen interessierst, hast du bestimmt schon einmal irgendwo die W\u00f6rter &#8222;Boosting&#8220; oder &#8222;Boost&#8220; gesehen. Man findet sie in einer Vielzahl von Algorithmus-Wettbewerben und sie erzielen oft sehr gute Ergebnisse. Aber was genau ist Boosting?<\/h2>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b4d811f elementor-widget elementor-widget-text-editor\" data-id=\"b4d811f\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">In diesem Artikel lernst du den Unterschied zwischen einem Boosting- und einem Bagging-Algorithmus kennen. Danach wirst du die Funktionsweise der Boosting-Algorithmen AdaBoost, Gradient Boost und XGBoost verstehen.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-73ab06e e-flex e-con-boxed e-con\" data-id=\"73ab06e\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-5375366 elementor-widget elementor-widget-heading\" data-id=\"5375366\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><h3 class=\"elementor-heading-title elementor-size-default\">Bagging, Boosting, was genau ist das?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-165029e elementor-widget elementor-widget-heading\" data-id=\"165029e\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Bagging<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-15110b2 elementor-widget elementor-widget-text-editor\" data-id=\"15110b2\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">Um zu definieren, was Boosting ist, sollte zun\u00e4chst definiert werden, was Bagging ist.\u00a0<\/span><\/p><p><span style=\"font-weight: 400\">Bagging ist eine Technik in der k\u00fcnstlichen Intelligenz, bei der eine gro\u00dfe Anzahl von Algorithmen mit geringer Einzelleistung zu einem viel effizienteren Algorithmus zusammengestellt wird. Die Algorithmen mit geringer Leistung werden als &#8222;weak learners&#8220; bezeichnet und das resultierende Ergebnis als &#8222;strong learner&#8220;.\u00a0<\/span><\/p><p><span style=\"font-weight: 400\">Die Idee hinter diesem Algorithmus ist, dass viele kleine Algorithmen effizienter sein k\u00f6nnen als ein gro\u00dfer Algorithmus.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3eb2b98 elementor-widget elementor-widget-image\" data-id=\"3eb2b98\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"768\" height=\"464\" src=\"https:\/\/datascientest.com\/de\/files\/2022\/11\/bagging.webp\" class=\"attachment-full size-full wp-image-164983\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2022\/11\/bagging.webp 768w, https:\/\/datascientest.com\/de\/files\/2022\/11\/bagging-300x181.webp 300w\" sizes=\"(max-width: 768px) 100vw, 768px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-87d7b13 elementor-widget elementor-widget-text-editor\" data-id=\"87d7b13\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">Einfach gesagt, kann man sich diesen Prozess gedanklich als einen gro\u00dfen <\/span><b>Wald <\/b><span style=\"font-weight: 400\">aus kleinen <\/span><b>Str\u00e4uchern <\/b><span style=\"font-weight: 400\">verschiedener Arten vorstellen. Durch die Vielfalt der B\u00e4ume, aus denen der Wald besteht, ist er witterungsbest\u00e4ndiger als eine gro\u00dfe, hundertj\u00e4hrige Eiche.\u00a0<\/span><\/p><p><span style=\"font-weight: 400\">Die &#8222;weak leaners&#8220; k\u00f6nnen unterschiedlicher Natur sein und unterschiedliche Leistungen erbringen, aber sie m\u00fcssen voneinander <\/span><b>unabh\u00e4ngig sein.<\/b><\/p><p><span style=\"font-weight: 400\">Die Zusammenstellung der &#8222;weak learners&#8220; (B\u00fcsche) zu &#8222;strong learners&#8220; (Wald) erfolgt durch Abstimmung. Das hei\u00dft, jeder &#8222;weak learner&#8220; gibt eine Antwort (eine Stimme) ab und die Vorhersage des &#8222;strong learners&#8220; ist der Durchschnitt aller abgegebenen Antworten.\u00a0<\/span><\/p><p><span style=\"font-weight: 400\">Wenn du dich f\u00fcr Bagging interessierst, kannst du dir diesen Artikel ansehen, der die Funktionsweise des ber\u00fchmtesten Bagging-Algorithmus vorstellt: den <\/span><a href=\"https:\/\/datascientest.com\/random-forest-definition\">Random Forest<\/a><span style=\"font-weight: 400\">.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b950786 elementor-widget elementor-widget-heading\" data-id=\"b950786\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-default\">Boosting<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ad694b9 elementor-widget elementor-widget-text-editor\" data-id=\"ad694b9\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">Die Boosting-Algorithmen basieren auf demselben Prinzip wie die Bagging-Algorithmen. Der Unterschied zeigt sich bei der Erstellung von &#8222;weak learners&#8220;.\u00a0<\/span><\/p><p><span style=\"font-weight: 400\">Beim Boosting sind die Algorithmen nicht mehr unabh\u00e4ngig. Stattdessen wird jeder &#8222;weak learner&#8220; geschult, um die Fehler der vorherigen &#8222;weak learner&#8220; zu korrigieren.<\/span><\/p><p><span style=\"font-weight: 400\">Wenn wir also das Bild des Waldes aufgreifen, wurde hier jeder Strauch sorgf\u00e4ltig gepflanzt, um den Wald wetterfester zu machen.\u00a0<\/span><\/p><p><span style=\"font-weight: 400\">In diesem Artikel werden wir die Funktionsweise der <\/span><b>Algorithmen Adaboost<\/b><span style=\"font-weight: 400\">, <\/span><b>Gradient Boosting und <\/b><a href=\"https:\/\/xgboost.readthedocs.io\/en\/latest\/\">XGBoost<\/a><span style=\"font-weight: 400\">. Diese Algorithmen sind wahrscheinlich die bekanntesten Boosting-Algorithmen.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-982b677 e-flex e-con-boxed e-con\" data-id=\"982b677\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-b4858e8 elementor-widget elementor-widget-heading\" data-id=\"b4858e8\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Was ist Adaboost?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ec8210b elementor-widget elementor-widget-text-editor\" data-id=\"ec8210b\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Adaboost wurde erstmals von Yoav Freund und Robert Schapire verwendet und gewann 2003 den G\u00f6del-Preis. Adaboost verwendet <\/span><a href=\"https:\/\/datascientest.com\/random-forest-definition\">Entscheidungsb\u00e4ume<\/a><span style=\"font-weight: 400;\">, deren Funktionsweise du in diesem Artikel detailliert nachlesen kannst.<\/span><\/p><p><b>Die &#8222;weak learners&#8220; <\/b><span style=\"font-weight: 400;\">in AdaBoost sind normalerweise Entscheidungsb\u00e4ume mit nur zwei <\/span><b>Zweigen <\/b><span style=\"font-weight: 400;\">und zwei <\/span><b>Bl\u00e4ttern (auch als <\/b><span style=\"font-weight: 400;\">St\u00e4mme bezeichnet), aber es k\u00f6nnen auch andere Arten von Klassifizierern verwendet werden.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Hier sind die <\/span><b>Schritte zum Aufbau des ersten &#8222;weak learners&#8220;, <\/b><span style=\"font-weight: 400;\">den wir w1 nennen werden:<\/span><\/p><ul><li style=\"font-weight: 400;\"><span style=\"font-weight: 400;\">Jeder Zeile des Datasets wird die gleiche Gewichtung zugewiesen.<\/span><\/li><li style=\"font-weight: 400;\"><span style=\"font-weight: 400;\">Man trainiert w1 so, dass die Anzahl der richtigen Antworten maximiert wird.<\/span><\/li><li style=\"font-weight: 400;\"><span style=\"font-weight: 400;\">Man gibt w1 eine Note aufgrund seiner Leistung<\/span><\/li><\/ul><p><span style=\"font-weight: 400;\">Die Idee hinter der Benotung ist, dass wir wollen, dass ein guter &#8222;weak learner&#8220; mehr Geh\u00f6r findet als ein schlechter &#8222;weak learner&#8220;.<\/span><\/p><p><span style=\"font-weight: 400;\">Die Bewertung wird uns helfen, bei der Endabstimmung zu entscheiden, welche Bedeutung wir welchem &#8222;weak learner&#8220; beimessen sollen.<\/span><\/p><p><span style=\"font-weight: 400;\">Au\u00dferdem m\u00f6chten wir, dass die n\u00e4chsten &#8222;weak learners&#8220; die Fehler des vorherigen korrigieren k\u00f6nnen. Um dies zu erreichen, werden wir die Gewichtung der Zeilen, bei denen w1 falsch lag, erh\u00f6hen und die Gewichtung der Zeilen, bei denen w1 richtig lag, verringern.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Hier sind also die Schritte zum Aufbau der anderen &#8222;weak learners&#8220;:<\/span><\/p><ul><li style=\"font-weight: 400;\"><span style=\"font-weight: 400;\">Die Gewichtung der Zeilen wird entsprechend den Fehlern des letzten &#8222;weak learners&#8220; ge\u00e4ndert.\u00a0<\/span><\/li><li style=\"font-weight: 400;\"><span style=\"font-weight: 400;\">Workout eines &#8222;weak learner&#8220;, um die Anzahl der richtigen Antworten auf den <\/span><b>Zeilen mit hohem Gewicht zu maximieren<\/b><\/li><\/ul><ul><li style=\"font-weight: 400;\"><span style=\"font-weight: 400;\">Man gibt diesem &#8222;weak learner&#8220; je nach Leistung eine Note<\/span><\/li><\/ul><p><span style=\"font-weight: 400;\">Im Gegensatz zu w1 werden die n\u00e4chsten &#8222;weak learners&#8220; die den Zeilen zugewiesenen Gewichte ber\u00fccksichtigen. Je h\u00f6her die Gewichtung einer Zeile ist, desto wichtiger ist es, dass der &#8222;weak learner&#8220; diese Zeile richtig einordnet und umgekehrt.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Wie bei w1 geben wir diesen &#8222;weak learners&#8220; eine Note, die ihre Wichtigkeit bestimmt. Beachte, dass die Note von den Ergebnissen des &#8222;weak learner&#8220; abh\u00e4ngt, indem die Gewichtung der Zeilen ber\u00fccksichtigt wird.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Nachdem wir jeden &#8222;weak learner&#8220; erstellt haben, \u00e4ndern wir die Gewichtung der Zeilen. Jeder &#8222;weak learner&#8220; korrigiert also die Fehler, die von seinen Vorg\u00e4ngern gemacht wurden, und hat eine Bewertung, die seine Ergebnisse widerspiegelt.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Um die Vorhersage von Adaboost zu einer Beobachtung abzufragen, musst du jeden &#8222;weak learner&#8220; befragen und jede Antwort nach der Bewertung, die sie erhalten haben, gewichten. Die Vorhersage des &#8222;strong learner&#8220; ist der Durchschnitt aller Antworten der &#8222;weak learner&#8220;.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-78497a2 e-flex e-con-boxed e-con\" data-id=\"78497a2\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-47ea6cc elementor-widget elementor-widget-heading\" data-id=\"47ea6cc\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Was ist Gradient Boosting?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f0cc131 elementor-widget elementor-widget-text-editor\" data-id=\"f0cc131\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Der <\/span><b>Gradient Boosting-Algorithmus <\/b><span style=\"font-weight: 400;\">hat viele Gemeinsamkeiten mit Adaboost. Genau wie bei Adaboost handelt es sich um eine Reihe von &#8222;weak learners&#8220;, die nacheinander erstellt werden und einen &#8222;strong learner&#8220; bilden. Dar\u00fcber hinaus wird jeder &#8222;weak learner&#8220; trainiert, um die Fehler der vorherigen &#8222;weak learners&#8220; zu korrigieren. Dennoch haben im Gegensatz zu Adaboost alle &#8222;weak learners&#8220; im Abstimmungssystem das <\/span><b>gleiche Gewicht, unabh\u00e4ngig von <\/b><span style=\"font-weight: 400;\">ihrer Leistung.<\/span><\/p><p><span style=\"font-weight: 400;\">Wir werden nun kurz auf die Funktionsweise des Algorithmus eingehen:<\/span><\/p><p><span style=\"font-weight: 400;\">Der erste &#8222;weak learner&#8220; (w1) ist sehr grundlegend, er ist einfach der <\/span><b>Durchschnitt <\/b><span style=\"font-weight: 400;\">der Beobachtungen. Er ist also nicht sehr effizient, aber er wird als Grundlage f\u00fcr den Rest des Algorithmus dienen.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Anschlie\u00dfend <\/span><b>berechnen wir die Abweichung zwischen diesem Mittelwert und der Realit\u00e4t, <\/b><span style=\"font-weight: 400;\">die wir als erstes Residuum bezeichnen. Im Allgemeinen bezeichnen wir hier die Abweichung zwischen der Vorhersage des Algorithmus, der gerade erstellt wird, und der Realit\u00e4t als <\/span><b>Residuum.<\/b><\/p><p><span style=\"font-weight: 400;\">Das Besondere an Gradient Boosting ist, dass es versucht, in jedem Schritt nicht die Daten selbst, sondern die Residuen vorherzusagen.<\/span><\/p><p><span style=\"font-weight: 400;\">So wird der zweite &#8222;weak learner&#8220; trainiert, um den ersten Rest vorherzusagen.<\/span><\/p><p><span style=\"font-weight: 400;\">Die Vorhersagen des zweiten weak learners werden dann mit einem Faktor kleiner als 1 multipliziert.<\/span><\/p><p><span style=\"font-weight: 400;\">Die Idee hinter der Multiplikation ist, dass viele kleine Schritte genauer sind als wenige gro\u00dfe Schritte. Die Multiplikation verringert also die Gr\u00f6\u00dfe der &#8222;Schritte&#8220;, um die Genauigkeit zu erh\u00f6hen. <\/span><b>Das Ziel ist es, die Vorhersagen des Mittelwertmodells nach und nach von der Realit\u00e4t &#8222;wegzuziehen&#8220;.\u00a0<\/b><\/p><p><span style=\"font-weight: 400;\">Von diesem Zeitpunkt an folgt die Erstellung von Weak Learners immer dem gleichen Muster:<\/span><\/p><ul><li style=\"font-weight: 400;\"><span style=\"font-weight: 400;\">Aus den letzten Vorhersagen werden <\/span><b>die neuen Residuen <\/b><span style=\"font-weight: 400;\">(Abweichung zwischen Realit\u00e4t und Vorhersage) <\/span><b>berechnet.<\/b><\/li><li style=\"font-weight: 400;\"><span style=\"font-weight: 400;\">Workout des <\/span><b>neuen &#8222;weak learner&#8220;, um diese <\/b><span style=\"font-weight: 400;\">Residuen vorherzusagen<\/span><\/li><li style=\"font-weight: 400;\"><span style=\"font-weight: 400;\">Die Vorhersagen dieses &#8222;weak learner&#8220; werden mit einem Faktor kleiner als 1 multipliziert.<\/span><\/li><li style=\"font-weight: 400;\"><span style=\"font-weight: 400;\">Man erh\u00e4lt neue Vorhersagen, die oft etwas besser sind als die vorherigen.<\/span><\/li><\/ul><p><b>Um die Gradient Boosting-Vorhersage zu einer Beobachtung abzufragen, musst du einfach jeden &#8222;weak learner&#8220; befragen. Die Vorhersage des &#8222;strong learner&#8220; wird die Summe aller Antworten der &#8222;weak learner&#8220; sein.<\/b><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-a20b773 elementor-widget elementor-widget-image\" data-id=\"a20b773\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"512\" height=\"453\" src=\"https:\/\/datascientest.com\/de\/files\/2022\/11\/graadient-boost.webp\" class=\"attachment-full size-full wp-image-164987\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2022\/11\/graadient-boost.webp 512w, https:\/\/datascientest.com\/de\/files\/2022\/11\/graadient-boost-300x265.webp 300w\" sizes=\"(max-width: 512px) 100vw, 512px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-68d7513 e-flex e-con-boxed e-con\" data-id=\"68d7513\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-187474e elementor-widget elementor-widget-heading\" data-id=\"187474e\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Was ist XGBoost?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0002286 elementor-widget elementor-widget-text-editor\" data-id=\"0002286\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">XGBoost ist eigentlich eine <\/span><b>besondere Version des Gradient Boost-Algorithmus<\/b><span style=\"font-weight: 400;\">. Es handelt sich n\u00e4mlich um eine Ansammlung von &#8222;weak learners&#8220;, die die Residuen vorhersagen und die Fehler der vorherigen &#8222;weak learners&#8220; korrigieren.<\/span><\/p><p><span style=\"font-weight: 400;\">Die Besonderheit von XGBoost liegt in der Art der &#8222;weak learner&#8220;, die verwendet werden. Bei den &#8222;weak learners&#8220; handelt es sich um Entscheidungsb\u00e4ume. B\u00e4ume, die nicht gut genug sind, werden &#8222;gestutzt&#8220;, d. h. es werden ihnen \u00c4ste abgeschnitten, bis sie gut genug sind. Andernfalls werden sie komplett entfernt. Diese Methode wird als <\/span><b>&#8222;pruning&#8220; <\/b><span style=\"font-weight: 400;\">(Beschneiden) bezeichnet.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">So stellt XGBoost sicher, dass <\/span><b>nur gute Weak Learners behalten <\/b><span style=\"font-weight: 400;\">werden.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Dar\u00fcber hinaus ist XGBoost <\/span><b>computeroptimiert, <\/b><span style=\"font-weight: 400;\">um die <\/span><b>verschiedenen Berechnungen, die <\/b><span style=\"font-weight: 400;\">f\u00fcr die Anwendung von <\/span><b>Gradient Boosting <\/b><span style=\"font-weight: 400;\">notwendig sind, <\/span><b>schnell zu <\/b><span style=\"font-weight: 400;\">machen.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Schlie\u00dflich bietet XGBoost eine gro\u00dfe Auswahl an Hyperparametern. Durch diese Vielfalt an Parametern ist es m\u00f6glich, die Implementierung von Gradient Boosting vollst\u00e4ndig zu kontrollieren.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Aus all diesen Gr\u00fcnden ist XGBoost oft der <\/span><b>Siegeralgorithmus bei Kaggle-Wettbewerben<\/b><span style=\"font-weight: 400;\">. Er ist schnell, pr\u00e4zise und effizient und erm\u00f6glicht eine Flexibilit\u00e4t, die es beim Gradient Boosting noch nie gegeben hat.<\/span><\/p><p><span style=\"font-weight: 400;\">Die vorgestellten Algorithmen geh\u00f6ren sicherlich zu den am h\u00e4ufigsten verwendeten, aber es gibt noch viele weitere. Zu sagen, dass XGBoost der beste Machine-Learning-Algorithmus ist, w\u00e4re eine starke Einschr\u00e4nkung. Er hat viele Vorteile, darunter eine verbl\u00fcffende Benutzerfreundlichkeit und Vielseitigkeit. Dennoch gibt es f\u00fcr jedes Problem eine andere L\u00f6sung. Wenn du dir also einen \u00dcberblick \u00fcber die verschiedenen Arten von Machine-Learning-Algorithmen verschaffen m\u00f6chtest, dann <\/span><a href=\"https:\/\/datascientest.com\/random-forest-definition\">schau dir diesen Artikel \u00fcber Random Forest an.<\/a><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9b6a706 elementor-align-center button-principal elementor-widget elementor-widget-button\" data-id=\"9b6a706\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-md\" href=\"https:\/\/datascientest.com\/de\/unsere-aus-und-weiterbildungen\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Entdecken Sie unsere Kurse in Data Science<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-721c1d1 e-flex e-con-boxed e-con\" data-id=\"721c1d1\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-a7bc0bf elementor-widget elementor-widget-html\" data-id=\"a7bc0bf\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<script type=\"application\/ld+json\">\r\n{\r\n  \"@context\": \"https:\/\/schema.org\",\r\n  \"@type\": \"FAQPage\",\r\n  \"mainEntity\": [{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"Was ist Adaboost?\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"Adaboost wurde erstmals von Yoav Freund und Robert Schapire verwendet und gewann 2003 den G\u00f6del-Preis. Adaboost verwendet Entscheidungsb\u00e4ume, deren Funktionsweise du in diesem Artikel detailliert nachlesen kannst.\r\n\r\nDie \\\"weak learners\\\" in AdaBoost sind normalerweise Entscheidungsb\u00e4ume mit nur zwei Zweigen und zwei Bl\u00e4ttern (auch als St\u00e4mme bezeichnet), aber es k\u00f6nnen auch andere Arten von Klassifizierern verwendet werden.\"\r\n    }\r\n  },{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"Was ist Gradient Boosting?\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"Der Gradient Boosting-Algorithmus hat viele Gemeinsamkeiten mit Adaboost. Genau wie bei Adaboost handelt es sich um eine Reihe von \\\"weak learners\\\", die nacheinander erstellt werden und einen \\\"strong learner\\\" bilden. Dar\u00fcber hinaus wird jeder \\\"weak learner\\\" trainiert, um die Fehler der vorherigen \\\"weak learners\\\" zu korrigieren. Dennoch haben im Gegensatz zu Adaboost alle \\\"weak learners\\\" im Abstimmungssystem das gleiche Gewicht, unabh\u00e4ngig von ihrer Leistung.\r\n\r\nWir werden nun kurz auf die Funktionsweise des Algorithmus eingehen:\r\n\r\nDer erste \\\"weak learner\\\" (w1) ist sehr grundlegend, er ist einfach der Durchschnitt der Beobachtungen. Er ist also nicht sehr effizient, aber er wird als Grundlage f\u00fcr den Rest des Algorithmus dienen.\"\r\n    }\r\n  },{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"Was ist XGBoost?\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"XGBoost ist eigentlich eine besondere Version des Gradient Boost-Algorithmus. Es handelt sich n\u00e4mlich um eine Ansammlung von \\\"weak learners\\\", die die Residuen vorhersagen und die Fehler der vorherigen \\\"weak learners\\\" korrigieren.\r\n\r\nDie Besonderheit von XGBoost liegt in der Art der \\\"weak learner\\\", die verwendet werden. Bei den \\\"weak learners\\\" handelt es sich um Entscheidungsb\u00e4ume. B\u00e4ume, die nicht gut genug sind, werden \\\"gestutzt\\\", d. h. es werden ihnen \u00c4ste abgeschnitten, bis sie gut genug sind. Andernfalls werden sie komplett entfernt. Diese Methode wird als \\\"pruning\\\" (Beschneiden) bezeichnet.\"\r\n    }\r\n  }]\r\n}\r\n<\/script>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Wenn du dich f\u00fcr Machine-Learning-Algorithmen interessierst, hast du bestimmt schon einmal irgendwo die W\u00f6rter &#8222;Boosting&#8220; oder &#8222;Boost&#8220; gesehen. Man findet sie in einer Vielzahl von Algorithmus-Wettbewerben und sie erzielen oft sehr gute Ergebnisse. Aber was genau ist Boosting? In diesem Artikel lernst du den Unterschied zwischen einem Boosting- und einem Bagging-Algorithmus kennen. Danach wirst du [&hellip;]<\/p>\n","protected":false},"author":47,"featured_media":164978,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2454],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Boosting-Algorithmen - AdaBoost, Gradient Boosting, XGBoost<\/title>\n<meta name=\"description\" content=\"Wenn du dich f\u00fcr Machine-Learning-Algorithmen interessierst, hast du bestimmt schon einmal irgendwo die W\u00f6rter &quot;Boosting&quot; oder &quot;Boost&quot; gesehen. Man findet sie in einer Vielzahl von Algorithmus-Wettbewerben und sie erzielen oft sehr gute Ergebnisse. Aber was genau ist Boosting?\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Boosting-Algorithmen - AdaBoost, Gradient Boosting, XGBoost\" \/>\n<meta property=\"og:description\" content=\"Wenn du dich f\u00fcr Machine-Learning-Algorithmen interessierst, hast du bestimmt schon einmal irgendwo die W\u00f6rter &quot;Boosting&quot; oder &quot;Boost&quot; gesehen. Man findet\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen\" \/>\n<meta property=\"og:site_name\" content=\"Weiterbildung Data Science | DataScientest.com\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/DataScientestEN\" \/>\n<meta property=\"article:published_time\" content=\"2022-11-28T22:58:44+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-29T19:06:46+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2022\/11\/illu_boosting_blog-11.webp\" \/>\n\t<meta property=\"og:image:width\" content=\"768\" \/>\n\t<meta property=\"og:image:height\" content=\"303\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/webp\" \/>\n<meta name=\"author\" content=\"Adriano R\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:site\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Adriano R\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen#article\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen\"},\"author\":{\"name\":\"Adriano R\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/3d2560836c47019eb12b7b77f3a15378\"},\"headline\":\"Boosting-Algorithmen &#8211; AdaBoost, Gradient Boosting, XGBoost\",\"datePublished\":\"2022-11-28T22:58:44+00:00\",\"dateModified\":\"2023-10-29T19:06:46+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen\"},\"wordCount\":1393,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"articleSection\":[\"Data Science\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen#respond\"]}],\"copyrightYear\":\"2022\",\"copyrightHolder\":{\"@id\":\"https:\/\/datascientest.com\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen\",\"url\":\"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen\",\"name\":\"Boosting-Algorithmen - AdaBoost, Gradient Boosting, XGBoost\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/#website\"},\"datePublished\":\"2022-11-28T22:58:44+00:00\",\"dateModified\":\"2023-10-29T19:06:46+00:00\",\"description\":\"Wenn du dich f\u00fcr Machine-Learning-Algorithmen interessierst, hast du bestimmt schon einmal irgendwo die W\u00f6rter \\\"Boosting\\\" oder \\\"Boost\\\" gesehen. Man findet sie in einer Vielzahl von Algorithmus-Wettbewerben und sie erzielen oft sehr gute Ergebnisse. Aber was genau ist Boosting?\",\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/de\/#website\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"name\":\"Weiterbildung Data Science | DataScientest.com\",\"description\":\"F\u00fchrender Anbieter von Schulungen im Bereich Data Science\",\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/de\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/datascientest.com\/de\/#organization\",\"name\":\"DataScientest\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"contentUrl\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"width\":301,\"height\":301,\"caption\":\"DataScientest\"},\"image\":{\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/DataScientestEN\",\"https:\/\/twitter.com\/DataScientest__\",\"https:\/\/www.linkedin.com\/company\/datascientest-germany\/\",\"https:\/\/www.tiktok.com\/@datascientest\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/3d2560836c47019eb12b7b77f3a15378\",\"name\":\"Adriano R\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/fbfbc3a7811c63caf3333396a123058f?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/fbfbc3a7811c63caf3333396a123058f?s=96&d=mm&r=g\",\"caption\":\"Adriano R\"},\"sameAs\":[\"user\"],\"url\":\"https:\/\/datascientest.com\/de\/author\/adriano-r\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Boosting-Algorithmen - AdaBoost, Gradient Boosting, XGBoost","description":"Wenn du dich f\u00fcr Machine-Learning-Algorithmen interessierst, hast du bestimmt schon einmal irgendwo die W\u00f6rter \"Boosting\" oder \"Boost\" gesehen. Man findet sie in einer Vielzahl von Algorithmus-Wettbewerben und sie erzielen oft sehr gute Ergebnisse. Aber was genau ist Boosting?","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen","og_locale":"de_DE","og_type":"article","og_title":"Boosting-Algorithmen - AdaBoost, Gradient Boosting, XGBoost","og_description":"Wenn du dich f\u00fcr Machine-Learning-Algorithmen interessierst, hast du bestimmt schon einmal irgendwo die W\u00f6rter \"Boosting\" oder \"Boost\" gesehen. Man findet","og_url":"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen","og_site_name":"Weiterbildung Data Science | DataScientest.com","article_publisher":"https:\/\/www.facebook.com\/DataScientestEN","article_published_time":"2022-11-28T22:58:44+00:00","article_modified_time":"2023-10-29T19:06:46+00:00","og_image":[{"width":768,"height":303,"url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2022\/11\/illu_boosting_blog-11.webp","type":"image\/webp"}],"author":"Adriano R","twitter_card":"summary_large_image","twitter_creator":"@DataScientest__","twitter_site":"@DataScientest__","twitter_misc":{"Verfasst von":"Adriano R","Gesch\u00e4tzte Lesezeit":"8 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen#article","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen"},"author":{"name":"Adriano R","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/3d2560836c47019eb12b7b77f3a15378"},"headline":"Boosting-Algorithmen &#8211; AdaBoost, Gradient Boosting, XGBoost","datePublished":"2022-11-28T22:58:44+00:00","dateModified":"2023-10-29T19:06:46+00:00","mainEntityOfPage":{"@id":"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen"},"wordCount":1393,"commentCount":0,"publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"articleSection":["Data Science"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen#respond"]}],"copyrightYear":"2022","copyrightHolder":{"@id":"https:\/\/datascientest.com\/#organization"}},{"@type":"WebPage","@id":"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen","url":"https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen","name":"Boosting-Algorithmen - AdaBoost, Gradient Boosting, XGBoost","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/#website"},"datePublished":"2022-11-28T22:58:44+00:00","dateModified":"2023-10-29T19:06:46+00:00","description":"Wenn du dich f\u00fcr Machine-Learning-Algorithmen interessierst, hast du bestimmt schon einmal irgendwo die W\u00f6rter \"Boosting\" oder \"Boost\" gesehen. Man findet sie in einer Vielzahl von Algorithmus-Wettbewerben und sie erzielen oft sehr gute Ergebnisse. Aber was genau ist Boosting?","inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/de\/gradient-boosting-algorithmen"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/de\/#website","url":"https:\/\/datascientest.com\/de\/","name":"Weiterbildung Data Science | DataScientest.com","description":"F\u00fchrender Anbieter von Schulungen im Bereich Data Science","publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/de\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/datascientest.com\/de\/#organization","name":"DataScientest","url":"https:\/\/datascientest.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","contentUrl":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","width":301,"height":301,"caption":"DataScientest"},"image":{"@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/DataScientestEN","https:\/\/twitter.com\/DataScientest__","https:\/\/www.linkedin.com\/company\/datascientest-germany\/","https:\/\/www.tiktok.com\/@datascientest"]},{"@type":"Person","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/3d2560836c47019eb12b7b77f3a15378","name":"Adriano R","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/fbfbc3a7811c63caf3333396a123058f?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/fbfbc3a7811c63caf3333396a123058f?s=96&d=mm&r=g","caption":"Adriano R"},"sameAs":["user"],"url":"https:\/\/datascientest.com\/de\/author\/adriano-r"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/164977"}],"collection":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/comments?post=164977"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/164977\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media\/164978"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media?parent=164977"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/categories?post=164977"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/tags?post=164977"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}