diff --git a/project-cancer-classification-pca-nn.ipynb b/project-cancer-classification-pca-nn.ipynb
index 49859d0..c32a729 100644
--- a/project-cancer-classification-pca-nn.ipynb
+++ b/project-cancer-classification-pca-nn.ipynb
@@ -315,11 +315,43 @@
     "import pickle\n",
     "\n",
     "class ExperimentationalExperiments():\n",
+    "    \"\"\"\n",
+    "    Diese Klasse dient zur Durchführung und Verwaltung von Experimenten im Rahmen\n",
+    "    des maschinellen Lernens, insbesondere für die Krebsklassifikation.\n",
+    "\n",
+    "    Attribute:\n",
+    "    results : Dict\n",
+    "        Speichert die Ergebnisse der durchgeführten Experimente.\n",
+    "    \"\"\"\n",
     "\n",
     "    def __init__(self) -> None:\n",
+    "        \"\"\" Konstruktor der Klasse. Initialisiert 'results' als None. \"\"\"\n",
     "        self.results = None\n",
     "\n",
     "    def run_single_experiment(self, train_loader: DataLoader, valid_loader: DataLoader, n_pca_components: int, n_epochs: int = 200, learning_rate: int = 0.0005, verbose: bool = True, experiment_num: int = None) -> Tuple:\n",
+    "        \"\"\"\n",
+    "        Führt ein einzelnes Experiment mit dem spezifizierten DataLoader, PCA-Komponenten und weiteren Parametern durch.\n",
+    "\n",
+    "        Parameter:\n",
+    "        train_loader : DataLoader\n",
+    "            Der DataLoader für den Trainingsdatensatz.\n",
+    "        valid_loader : DataLoader\n",
+    "            Der DataLoader für den Validierungsdatensatz.\n",
+    "        n_pca_components : int\n",
+    "            Anzahl der PCA-Komponenten, die im Modell verwendet werden.\n",
+    "        n_epochs : int, optional\n",
+    "            Anzahl der Epochen für das Training (Standardwert ist 200).\n",
+    "        learning_rate : float, optional\n",
+    "            Lernrate für den Optimierer (Standardwert ist 0.0005).\n",
+    "        verbose : bool, optional\n",
+    "            Gibt an, ob der Trainingsfortschritt angezeigt werden soll (Standardwert ist True).\n",
+    "        experiment_num : int, optional\n",
+    "            Nummer des Experiments.\n",
+    "\n",
+    "        Rückgabewerte:\n",
+    "        Tuple\n",
+    "            Ein Tupel bestehend aus Listen der Trainings- und Validierungsverluste sowie der Genauigkeiten.\n",
+    "        \"\"\"\n",
     "        if not isinstance(n_pca_components, int):\n",
     "            raise TypeError(\"n_pca_components must be an integers!\")\n",
     "\n",
@@ -428,6 +460,29 @@
     "        return train_losses, valid_losses, train_accuracies, valid_accuracies\n",
     "\n",
     "    def run_single_pca_experiment(self, train_loader: DataLoader, valid_loader: DataLoader, n_pca_components: int, n_experiments: int, n_epochs: int = 200, learning_rate: int = 0.0005, verbose: bool = True) -> List:\n",
+    "        \"\"\"\n",
+    "        Führt eine Serie von Experimenten mit verschiedenen Konfigurationen für die PCA-Komponenten durch.\n",
+    "\n",
+    "        Parameter:\n",
+    "        train_loader : DataLoader\n",
+    "            Der DataLoader für den Trainingsdatensatz.\n",
+    "        valid_loader : DataLoader\n",
+    "            Der DataLoader für den Validierungsdatensatz.\n",
+    "        n_pca_components : int\n",
+    "            Anzahl der PCA-Komponenten, die im Modell verwendet werden.\n",
+    "        n_experiments : int\n",
+    "            Anzahl der durchzuführenden Experimente.\n",
+    "        n_epochs : int, optional\n",
+    "            Anzahl der Epochen für das Training (Standardwert ist 200).\n",
+    "        learning_rate : float, optional\n",
+    "            Lernrate für den Optimierer (Standardwert ist 0.0005).\n",
+    "        verbose : bool, optional\n",
+    "            Gibt an, ob der Trainingsfortschritt angezeigt werden soll (Standardwert ist True).\n",
+    "\n",
+    "        Rückgabewerte:\n",
+    "        List\n",
+    "            Eine Liste von Ergebnissen der einzelnen Experimente.\n",
+    "        \"\"\"\n",
     "        if not isinstance(n_pca_components, int):\n",
     "            raise TypeError(\"n_pca_components must be an integers!\")\n",
     "\n",
@@ -441,6 +496,27 @@
     "            \n",
     "\n",
     "    def run(self, n_pca_components: List[int], n_experiments: int, n_epochs: int = 200, learning_rate: int = 0.0005, batch_size: int = 64, verbose: bool = True) -> Dict:\n",
+    "        \"\"\"\n",
+    "        Hauptmethode zum Ausführen von Experimenten mit verschiedenen Anzahlen von PCA-Komponenten.\n",
+    "\n",
+    "        Parameter:\n",
+    "        n_pca_components : List[int]\n",
+    "            Eine Liste von Anzahlen der PCA-Komponenten, die in den Experimenten verwendet werden sollen.\n",
+    "        n_experiments : int\n",
+    "            Anzahl der durchzuführenden Experimente pro PCA-Komponentenanzahl.\n",
+    "        n_epochs : int, optional\n",
+    "            Anzahl der Epochen für das Training (Standardwert ist 200).\n",
+    "        learning_rate : float, optional\n",
+    "            Lernrate für den Optimierer (Standardwert ist 0.0005).\n",
+    "        batch_size : int, optional\n",
+    "            Batch-Größe für das Laden der Daten (Standardwert ist 64).\n",
+    "        verbose : bool, optional\n",
+    "            Gibt an, ob der Trainingsfortschritt angezeigt werden soll (Standardwert ist True).\n",
+    "\n",
+    "        Rückgabewerte:\n",
+    "        Dict\n",
+    "            Ein Wörterbuch, das die Ergebnisse der Experimente für jede Anzahl von PCA-Komponenten enthält.\n",
+    "        \"\"\"\n",
     "        if not isinstance(n_pca_components, list):\n",
     "            raise TypeError(\"n_pca_components must be a list of integers!\")\n",
     "\n",
@@ -473,6 +549,18 @@
     "        return results\n",
     "\n",
     "    def plot_and_save_results(self, results: List[Tuple], n_pca_components: int) -> None:\n",
+    "        \"\"\"\n",
+    "        Erstellt und speichert Plots für die Ergebnisse der Experimente.\n",
+    "\n",
+    "        Parameter:\n",
+    "        results : List[Tuple]\n",
+    "            Eine Liste von Tupeln mit den Ergebnissen der Experimente.\n",
+    "        n_pca_components : int\n",
+    "            Anzahl der PCA-Komponenten, für die die Ergebnisse geplottet werden sollen.\n",
+    "\n",
+    "        Keine Rückgabewerte, da die Methode Plots speichert.\n",
+    "        \"\"\"\n",
+    "        \n",
     "        # Mittelwerte und Standardabweichungen berechnen\n",
     "        train_losses, valid_losses, train_accuracies, valid_accuracies = zip(*results)\n",
     "\n",