Künstliche Intelligenz und maschinelles Lernen gewinnen zunehmend an Bedeutung, sind jedoch aufgrund der Komplexität oft nur eingeschränkt nachvollziehbar. Die erklärbare Künstliche Intelligenz setzt genau hier an. Diese Arbeit leistet einen Beitrag zu erklärbaren überwachten Lernverfahren durch ein Vorgehensmodell mit fünf Erklärungstypen sowie globale und lokale Surrogatmodelle, die sowohl Modelle als auch einzelne Vorhersagen verständlich machen und in Benutzerstudien evaluiert wurden. Artificial Intelligence is increasingly used in everyday applications. However, its high complexity often leads to a lack of transparency. Explainable Artificial Intelligence addresses this issue by making models and their decisions more understandable. This work contributes to explainable supervised machine learning by introducing a procedure model with five types of explanations and proposing global and local surrogate models to explain both overall model behavior and individual decisions.