Diese Arbeit befasst sich mit dem Problem der Gesichtsalignment für ein einzelnes Bild. Wir zeigen, wie ein Ensemble aus Regressionsbäumen genutzt werden kann, um die Positionen der Gesichtslandmarken direkt aus einer sparsamen Teilmenge von Pixelintensitäten zu schätzen und dabei eine überrealzeitnahe Leistung mit hochwertigen Vorhersagen zu erreichen. Wir präsentieren einen allgemeinen Rahmen basierend auf Gradient Boosting zur Lernung eines Ensembles aus Regressionsbäumen, das die Summe der quadratischen Fehlerverluste optimiert und natürlicherweise fehlende oder teilweise markierte Daten handhaben kann. Wir erläutern, wie geeignete Priorisierungen, die die Struktur der Bilddaten ausnutzen, zur effizienten Merkmalsauswahl beitragen. Verschiedene Regularisierungsstrategien und deren Bedeutung zur Bekämpfung von Overfitting werden ebenfalls untersucht. Zudem analysieren wir den Einfluss der Menge an Trainingsdaten auf die Genauigkeit der Vorhersagen und erforschen den Einfluss von Datenaugmentation mittels synthetischer Daten.