Im Rahmen der Digitalisierung und Trends, wie z.B. der Industrie 4.0, werden große Mengen an Daten produziert. Diese Daten werden mithilfe von Verfahren aus dem Bereich Machine Learning analysiert, um interpretiert werden zu können. Das Ergebnis aus der Analyse sind Modelle, welche Muster in den Daten nachbilden. Durch die Anwendung dieser Modelle auf zukünftigen Daten, können Prognosen erstellt werden. Aufgrund von z.B. Concept Drifts kann es zu Änderungen in den Daten kommen. Dadurch liefern die Modelle oft nicht mehr die gewünschten Prognosegüte und müssen daher neu trainiert werden. Data Scientists möchten deswegen Verbesserungen an den Modellen vornehmen, damit die gewünschte Prognosegüte wieder erreicht wird. Dazu benötigen sie Möglichkeiten, um die Änderungen zwischen den Modellen nachvollziehen zu können. Leider ist eine manuelle Erkennung der Änderungen aufgrund der Größe und Komplexität der Modelle sehr aufwändig. Data Scientists benötigen daher unterstützende Verfahren und Tools zur Modelldiagnose, um z.B. Vergleiche anstellen zu können. In der vorliegenden Arbeit wird daher ein Softwareframework zum Vergleich von Modellen konzipiert und prototypisch für Entscheidungsbaummodelle umgesetzt. Das Framework nutzt Verfahren aus dem Bereich des Contrast Minings und ist in der Lage, Änderungen zwischen Entscheidungsbaum-Modellen detailliert und quantifiziert zu beschreiben.