Systeme zur Verarbeitung komplexer Ereignisse (engl. Complex Events Processing CEP) werten Abfragen über kontinuierliche Ereignisströme aus. CEP erlaubt es, in nahezu Echtzeit, wichtige Informationen aus der Masse an bearbeiteten Ereignisströmen abzuleiten. Die Lasten in CEP Systemen können hohen Schwankungen ausgesetzt sein. Deswegen ist es schwer, einen stabilen Durchsatz oder eine vorgeschriebene Latenz zu garantieren. Eine Möglichkeit Lastschwankungen in Systemen zu begegnen ist die selektive Verarbeitung von Ereignissen. Selektive Verarbeitung ignoriert einzelne Ereignisse des Ereignisstroms, anstatt sie zu verarbeiten. Die Entscheidung welche Ereignisse ignoriert werden, trifft die selektive Verarbeitung basierend auf dem Einfluss, den sie einem Ereignis zuordnet. Eine Möglichkeit dies zu realisieren ist es, die empfangenen Ereignisse in Prioritätsklassen einzuteilen. Deswegen wird in dieser Arbeit analysiert, wie sich Ereignisse eines Ereignisstroms klassifizieren lassen. In unserem Ansatz berücksichtigt die respektive Klasse eines Ereignisse dabei, sowohl seine mögliche Beteiligung am Ergebnis einer Abfrage, als auch die strukturelle Anordnung der Abfragen im CEP-System. Die Klassifizierung wird mittels eines Random Forest Klassifikators durchgeführt. Dieser wird auf Daten trainiert, die mit Hilfe des Codaefc_Edge Projekts, ein CEP-Framework, generiert wurden. Der entwickelte Ansatz wurde für vier verschiedene CEP-Systeme evaluiert. Dabei variierte die Performanz der trainierten Klassifikatoren sehr.