Die Nutzung von Machine Learning Modellen zur Vorhersage und Unterstützung von Entscheidungen spielt in der heutigen digitalen Zeit eine zentrale Rolle. Dabei werden die Machine Learning Modelle mithilfe von bereits existierenden Datensätzen trainiert. Ein Problem davon ist, dass einige dieser Datensätze diskriminierend sind. Das bedeutet, dass zum Beispiel Personen aufgrund ihres Geschlechts eine ungleiche Chance auf ein hohes Gehalt haben. Daraus resultiert, dass die trainierten Modelle in diesem Fall die Abhängigkeit vom Geschlecht zu dem Gehalt erlernen. Es gibt bereits einige Ansätze, welche versuchen diese Unfairness auszugleichen. Die bereits existierenden Ansätze berücksichtigen dabei jedoch lediglich, dass diese Ergebnisse über den kompletten Datensatz gesehen fair sind und berücksichtigen somit nur die globale Fairness. In dieser Masterarbeit werden zwei Algorithmen (NFD-ME und PFD-ME Algorithmus) mit jeweils zwei Varianten entwickelt und implementiert, welche die lokale Fairness von einzelnen Datenpunkten betrachten. Lokale Fairness ist die Fairness in lokalen Regionen eines Punktes. Zu der lokalen Region eines Punktes zählen andere Datenpunkte, welche sich in den Attributen stark ähneln. Unsere Ansätze gewährleisten eine bestmögliche Optimierung der lokalen Fairness durch die dynamische Auswahl der lokal am besten geeigneten Modelle. Dafür werden existierende Algorithmen aus den Bereichen der fairen Modell-Ensembles, sowie der dynamischen Modell-Ensembles, kombiniert. Diese werden ergänzt durch mehrere Metriken zur Messung der Fairness. Außerdem sind diese Algorithmen nicht auf ein binäres sensitives Attribut beschränkt, sodass diese Algorithmen vielseitig anwendbar sind. Im Anschluss werden unsere Algorithmen und ihre Varianten in der Evaluation mit bereits existierenden Algorithmen aus den Bereichen der fairen Modell-Ensembles, sowie dynamischen Modell-Ensembles, verglichen.