Neuronale Netzwerk-Ensembles sind eine gängige und robuste Methode zur Steigerung der Modellleistung. In diesem Paper stellen wir einen neuen Algorithmus für neuronale Netzwerk-Ensembles vor, der auf dem empirischen Star-Algorithmus von Audibert basiert. Wir leiten eine optimale theoretische Minimax-Schranke für die überschüssige quadratische Risikoabweichung her. Zudem untersuchen wir den Algorithmus empirisch anhand von Regressions- und Klassifikationsaufgaben und vergleichen ihn mit den gängigsten Ensembling-Verfahren.