Die Auswirkungen fehlender Werte auf die Datenklassifizierung werden untersucht. Es wird eine vergleichende Analyse der Genauigkeit der Datenklassifizierung in verschiedenen Szenarien vorgestellt. In der Studie werden mehrere Suchtechniken für die Merkmalsauswahl berücksichtigt und zur Vorverarbeitung des Datensatzes eingesetzt. Die Vorhersageleistung gängiger Klassifikatoren wird quantitativ verglichen. Der Datensatz stammt aus einem Kontext der Brustkrebserkennung und -entscheidung, der im UCI-Repository für maschinelles Lernen verfügbar ist. Nach der Analyse der experimentellen Ergebnisse wird in der Arbeit das allgemeine Konzept der verbesserten Klassifizierungsgenauigkeit durch die Ersetzung fehlender Werte dargelegt.