diff --git a/brancheneinstufung.py b/brancheneinstufung.py
index e268cd75..d0481fea 100644
--- a/brancheneinstufung.py
+++ b/brancheneinstufung.py
@@ -9309,92 +9309,44 @@ class DataProcessor:
 
 
         # Speichern Sie den Imputer (wird fuer Vorhersagen benoetigt).
-        self.imputer = imputer # Speichern Sie ihn in der Instanz fuer spaetere Vorhersagen
+        self.imputer = imputer
         try:
-            # Stellen Sie sicher, dass das Verzeichnis fuer den Output existiert.
-            os.makedirs(os.path.dirname(imputer_out), exist_ok=True) # Erstellt das Verzeichnis, falls es nicht existiert
-            # Speichern Sie den Imputer mit pickle
+            imputer_dir = os.path.dirname(imputer_out)
+            if imputer_dir and not os.path.exists(imputer_dir): # Nur erstellen, wenn dirname nicht leer ist
+                os.makedirs(imputer_dir, exist_ok=True)
             with open(imputer_out, 'wb') as f:
                 pickle.dump(imputer, f)
-            self.logger.info(f"Imputer erfolgreich gespeichert in '{imputer_out}'.") # <<< GEÄNDERT
+            self.logger.info(f"Imputer erfolgreich gespeichert in '{imputer_out}'.")
         except Exception as e:
-            # Fange Fehler beim Speichern ab und logge sie.
-            self.logger.error(f"FEHLER beim Speichern des Imputers in '{imputer_out}': {e}") # <<< GEÄNDERT
-            # Logge den Traceback.
-            self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT
-            # Fahren Sie fort, aber loggen Sie den Fehler
+            self.logger.error(f"FEHLER beim Speichern des Imputers in '{imputer_out}': {e}")
+            self.logger.debug(traceback.format_exc())
 
-
-        # Transformieren Sie Trainings- und Testdaten mit dem gefitteten Imputer.
-        X_train_imputed = imputer.transform(X_train)
-        X_test_imputed = imputer.transform(X_test)
-
-        # Konvertieren Sie die Ergebnisse (Numpy Arrays) zurueck zu DataFrames, behalten Sie die Spaltennamen.
-        X_train_imputed = pd.DataFrame(X_train_imputed, columns=feature_columns)
-        X_test_imputed = pd.DataFrame(X_test_imputed, columns=feature_columns)
-        self.logger.info("Numerische Features imputiert.") # <<< GEÄNDERT
-
-
-        # 4. Decision Tree Training
-        # Definieren Sie das Decision Tree Modell.
-        # Wichtige Hyperparameter zum Tunen: max_depth, min_samples_split, min_samples_leaf.
-        # class_weight='balanced' ist hilfreich bei ungleicher Klassenverteilung (wahrscheinlich bei Buckets).
-        dt_classifier = DecisionTreeClassifier(random_state=42, class_weight='balanced')
-        # Optional: Hyperparameter-Tuning mit GridSearchCV
-        # param_grid = {'max_depth': [None, 10, 20, 30], 'min_samples_split': [2, 5, 10], 'min_samples_leaf': [1, 2, 5]}
-        # grid_search = GridSearchCV(dt_classifier, param_grid, cv=5, scoring='accuracy')
-        # grid_search.fit(X_train_imputed, y_train)
-        # dt_classifier = grid_search.best_estimator_
-        # self.logger.info(f"Beste Parameter gefunden durch GridSearchCV: {grid_search.best_params_}")
-
-
-        self.logger.info("Starte Training des Decision Tree Modells...") # <<< GEÄNDERT
-        # Fitten Sie das Modell auf den imputierten Trainingsdaten.
-        dt_classifier.fit(X_train_imputed, y_train)
-        self.logger.info("Modelltraining abgeschlossen.") # <<< GEÄNDERT
-
-
-        # Speichern Sie das trainierte Modell.
-        self.model = dt_classifier # Speichern Sie es in der Instanz fuer spaetere Vorhersagen
+        # Speichern Sie das trainierte Modell
+        self.model = dt_classifier
         try:
-            # Stellen Sie sicher, dass das Verzeichnis fuer den Output existiert.
-            os.makedirs(os.path.dirname(model_out), exist_ok=True) # Erstellt das Verzeichnis, falls es nicht existiert
-            # Speichern Sie das Modell mit pickle
+            model_dir = os.path.dirname(model_out)
+            if model_dir and not os.path.exists(model_dir): # Nur erstellen, wenn dirname nicht leer ist
+                os.makedirs(model_dir, exist_ok=True)
             with open(model_out, 'wb') as f:
                 pickle.dump(dt_classifier, f)
-            self.logger.info(f"Decision Tree Modell erfolgreich gespeichert in '{model_out}'.") # <<< GEÄNDERT
+            self.logger.info(f"Decision Tree Modell erfolgreich gespeichert in '{model_out}'.")
         except Exception as e:
-            # Fange Fehler beim Speichern ab und logge sie.
-            self.logger.error(f"FEHLER beim Speichern des Modells in '{model_out}': {e}") # <<< GEÄNDERT
-            # Logge den Traceback.
-            self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT
-            # Fahren Sie fort
+            self.logger.error(f"FEHLER beim Speichern des Modells in '{model_out}': {e}")
+            self.logger.debug(traceback.format_exc())
 
-
-        # Speichern Sie die Liste der Feature-Spalten (fuer die Vorhersage)
-        self._expected_features = feature_columns # Speichern Sie diese Liste in der Instanz fuer _predict_technician_bucket
+        # Speichern Sie die Liste der Feature-Spalten
+        self._expected_features = feature_columns_ml # Stellen Sie sicher, dass feature_columns_ml hier korrekt ist
         try:
-            # Speichern als JSON fuer bessere Lesbarkeit und um zusaetzliche Infos (wie Klassen) zu speichern.
-            # PATTERNS_FILE_JSON wird aus Config (Block 1) geholt.
-            patterns_data = {"feature_columns": feature_columns, "target_classes": list(dt_classifier.classes_)}
-            # Stellen Sie sicher, dass das Verzeichnis fuer den Output existiert.
-            os.makedirs(os.path.dirname(patterns_out), exist_ok=True) # Erstellt das Verzeichnis, falls es nicht existiert
-            # Speichern Sie die JSON-Datei
+            patterns_data = {"feature_columns": feature_columns_ml, "target_classes": list(dt_classifier.classes_)}
+            patterns_dir = os.path.dirname(patterns_out)
+            if patterns_dir and not os.path.exists(patterns_dir): # Nur erstellen, wenn dirname nicht leer ist
+                os.makedirs(patterns_dir, exist_ok=True)
             with open(patterns_out, 'w', encoding='utf-8') as f:
-                 json.dump(patterns_data, f, indent=4, ensure_ascii=False)
-            self.logger.info(f"Erwartete Feature-Spalten und Klassen erfolgreich gespeichert in '{patterns_out}'.") # <<< GEÄNDERT
-
-            # Optional: Speichern als einfache Textdatei (wie im Originalcode)
-            # patterns_out_txt = patterns_out.replace('.json', '.txt')
-            # with open(patterns_out_txt, 'w', encoding='utf-8') as f:
-            #      for col in feature_columns: f.write(f"{col}\n")
-            # self.logger.info(f"Erwartete Feature-Spalten (txt) erfolgreich gespeichert in '{patterns_out_txt}'.")
-
+                json.dump(patterns_data, f, indent=4, ensure_ascii=False)
+            self.logger.info(f"Erwartete Feature-Spalten und Klassen erfolgreich gespeichert in '{patterns_out}'.")
         except Exception as e:
-            # Fange Fehler beim Speichern ab und logge sie.
-            self.logger.error(f"FEHLER beim Speichern der Feature-Spalten in '{patterns_out}': {e}") # <<< GEÄNDERT
-            # Logge den Traceback.
-            self.logger.debug(traceback.format_exc()) # <<< GEÄNDERT
+            self.logger.error(f"FEHLER beim Speichern der Feature-Spalten in '{patterns_out}': {e}")
+            self.logger.debug(traceback.format_exc())
             # Fahren Sie fort