The intensive usage of Monte Carlo event generators in elementary particle physics makes it necessary to use computing capacities efficiently. Surrogate-based unweighting algorithms are suitable for this purpose. In this work, neural networks are trained with SHERPA-generated events of the process group Z+5jets to predict event weights. Factorisation properties of QCD matrix elements are exploited. A new loss function adapted for use in surrogate-based unweighting is presented. With an adjusted training method and after a final hyperparameter optimisation, significant savings in required computing time were achieved. A mean effective gain factor of f_eff=2.6±1.0 could be obtained. German: Die intensive Nutzung von Monte-Carlo-Ereignisgeneratoren in der Elementarteilchenphysik macht den effizienten Umgang mit Rechenkapazitäten notwendig. Dafür bieten sich Surrogat-basierte, Umgewichtungsalgorithmen an. In dieser Arbeit werden neuronale Netze mit von SHERPA generierte Ereignisse der Prozessgruppe Z+5jets zur Vorhersage von Ereignisgewichten trainiert. Dabei werden Faktorisationseingenschaften von QCD-Matrixelementen ausgenutzt. Es wird eine neue, auf die Verwendung im Surrogat-basierten Umgewichten angepasste, loss-Funktion vorgestellt. Mit einer veränderten Trainingsmethode und nach einer abschließenden Hyperparameternoptimierung können deutliche Einsparungen an benötigter Rechenzeit erzielt werden. Dabei konnte im Mittel ein effektiver gain-Faktor von feff=2.6±1.0 für das Surrogat-basierte Umgewichten erreicht werden.