diff --git a/brancheneinstufung.py b/brancheneinstufung.py
index 26c78f2c..e2ca4169 100644
--- a/brancheneinstufung.py
+++ b/brancheneinstufung.py
@@ -54,6 +54,7 @@ import unicodedata # Fuer Text-Normalisierung
 # Bibliotheken fuer Datenanalyse und ML
 import pandas as pd
 import numpy as np
+from sklearn.ensemble import RandomForestClassifier
 from sklearn.model_selection import train_test_split, GridSearchCV
 from sklearn.impute import SimpleImputer
 from sklearn.tree import DecisionTreeClassifier, export_text
@@ -9206,43 +9207,37 @@ class DataProcessor:
         X_train_imputed = pd.DataFrame(X_train_imputed, columns=feature_columns_ml) # feature_columns_ml verwenden
         X_test_imputed = pd.DataFrame(X_test_imputed, columns=feature_columns_ml)   # feature_columns_ml verwenden
         
-        # Die Zeile "Numerische Features imputiert." war ein allgemeiner Kommentar.
-        # Wichtig ist, dass X_train_imputed und X_test_imputed jetzt bereitstehen.
-
-        # 4. Decision Tree Training
-        dt_classifier = DecisionTreeClassifier(random_state=42, class_weight='balanced')
-        # Optional: Hyperparameter-Tuning ...
-
-        self.logger.info(f"Starte Training des Decision Tree Modells auf {X_train_imputed.shape[0]} Trainingsbeispielen mit {X_train_imputed.shape[1]} Features...")
+        # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+        # +++ ANPASSUNG HIER: RandomForest statt Decision Tree ++++++++++++++++++
+        # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+        # 4. Random Forest Training
+        # n_estimators=100 ist ein guter Standardwert.
+        # class_weight='balanced' hilft bei unausgewogenen Klassen.
+        # n_jobs=-1 nutzt alle verfügbaren CPU-Kerne und kann das Training beschleunigen.
+        rf_classifier = RandomForestClassifier(n_estimators=100, random_state=42, class_weight='balanced', n_jobs=-1)
+        
+        self.logger.info(f"Starte Training des Random Forest Modells auf {X_train_imputed.shape[0]} Trainingsbeispielen...")
         start_fit_time = time.time()
-        dt_classifier.fit(X_train_imputed, y_train) # << MODELL WIRD HIER TRAINIERT
+        rf_classifier.fit(X_train_imputed, y_train) # << HIER WIRD DER RF TRAINIERT
         end_fit_time = time.time()
         self.logger.info(f"Modelltraining abgeschlossen. Dauer: {end_fit_time - start_fit_time:.2f} Sekunden.")
 
-        # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
-        # +++ HIER DEN CODE ZUM SPEICHERN DES MODELLS EINFÜGEN/VERSCHIEBEN ++++++
-        # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
-        # Speichern Sie das trainierte Modell.
-        self.model = dt_classifier # Zuweisung an self.model NACH dem Training
+        # Modell speichern
+        self.model = rf_classifier # Zuweisung des neuen Modells
         try:
             model_dir = os.path.dirname(model_out)
             if model_dir and not os.path.exists(model_dir):
                 os.makedirs(model_dir, exist_ok=True)
             with open(model_out, 'wb') as f:
-                pickle.dump(dt_classifier, f) # Das trainierte dt_classifier Objekt speichern
-            self.logger.info(f"Decision Tree Modell erfolgreich gespeichert in '{model_out}'.")
+                pickle.dump(rf_classifier, f) # Das trainierte rf_classifier Objekt speichern
+            self.logger.info(f"Random Forest Modell erfolgreich gespeichert in '{model_out}'.")
         except Exception as e:
             self.logger.error(f"FEHLER beim Speichern des Modells in '{model_out}': {e}")
-            self.logger.debug(traceback.format_exc())
         # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
-        # +++ ENDE MODELLSPEICHERUNG ++++++++++++++++++++++++++++++++++++++++++++
+        # +++ ENDE ANPASSUNG ++++++++++++++++++++++++++++++++++++++++++++++++++++
         # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
 
-        # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
-        # +++ HIER DEN CODE ZUM SPEICHERN DER FEATURE-LISTE EINFÜGEN/VERSCHIEBEN +
-        # +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
-        # Speichern Sie die Liste der Feature-Spalten (fuer die Vorhersage)
-        # feature_columns_ml wurde bereits oben korrekt definiert
+        # Feature-Liste speichern (bleibt unverändert)
         self._expected_features = feature_columns_ml 
         try:
             patterns_data = {"feature_columns": self._expected_features, "target_classes": list(dt_classifier.classes_)}
@@ -9273,11 +9268,17 @@ class DataProcessor:
         self.logger.info(f"Konfusionsmatrix auf dem Testset (Zeilen=Wahr, Spalten=Vorhersage):\n{cm}")
 
         try:
-            tree_rules = export_text(dt_classifier, feature_names=feature_columns_ml, max_depth=7) 
-            self.logger.info(f"Erste Regeln des Decision Tree (max Tiefe 7):\n{tree_rules}")
-        except Exception as e_tree_rules: # Spezifischere Exception-Variable
-            self.logger.warning(f"FEHLER beim Exportieren der Baumregeln: {e_tree_rules}")
-            self.logger.debug(traceback.format_exc())
+            self.logger.info("Feature Importance (Top 15):")
+            importances = rf_classifier.feature_importances_
+            feature_importance_df = pd.DataFrame({
+                'Feature': feature_columns_ml,
+                'Importance': importances
+            }).sort_values(by='Importance', ascending=False)
+            
+            # Ausgabe der Top 15 Features
+            self.logger.info(f"\n{feature_importance_df.head(15).to_string(index=False)}")
+        except Exception as e_feat_imp:
+            self.logger.warning(f"FEHLER beim Berechnen/Anzeigen der Feature Importance: {e_feat_imp}")
 
         self.logger.info("Modelltraining und -evaluation abgeschlossen.")