Bei Active-Learning und Interactive-Machine-Learning-Verfahren ändert sich der Trainingsdatensatz für einen Machine-Learning-Klassifikator durch neu hinzukommendes Nutzerfeedback. Um die Klassifikationsergebnisse zu verbessern, ist es notwendig, zu verstehen, welchen Einfluss diese Änderungen bei der Klassifikation haben. In dieser Arbeit werden drei Visualisierungskonzepte für den Versionsvergleich von Trainings- und Klassifikationsdaten entwickelt. Die Änderungen innerhalb von hochdimensionalen Datensätzen werden indirekt über Kanten zwischen Nachbarobjekten sichtbar gemacht. Der zeitliche Vergleich von Klassifikationsergebnissen sowie der Vergleich zwischen Klassifikationsergebnissen und Trainingsdaten findet über Glyphen statt. Ein Paralleles Koordinatensystem zeigt für ausgewählte Objekte detaillierte Informationen zu den Änderungen über alle Versionen. Die Konzepte werden sowohl an konstruierten Beispielszenarien als auch an einem Datensatz aus der Praxis demonstriert.