diff --git a/senkin_alexander_lab_2/.gitignore b/senkin_alexander_lab_2/.gitignore
new file mode 100644
index 0000000..e9aa8fb
--- /dev/null
+++ b/senkin_alexander_lab_2/.gitignore
@@ -0,0 +1 @@
+ .idea/
\ No newline at end of file
diff --git a/senkin_alexander_lab_2/README.md b/senkin_alexander_lab_2/README.md
new file mode 100644
index 0000000..a7a24c4
--- /dev/null
+++ b/senkin_alexander_lab_2/README.md
@@ -0,0 +1,49 @@
+Лабораторная №2
+
+Вариант №2
+
+Задание на лабораторную:
+
+выполните ранжирование признаков с помощью указанных по 
+варианту моделей. Отобразите получившиеся значения\оценки каждого 
+признака каждым методом\моделью и среднюю оценку. Проведите анализ 
+получившихся результатов. Какие четыре признака оказались самыми 
+важными по среднему значению? (Названия\индексы признаков и будут 
+ответом на задание).
+
+Модели:
+
+- Линейная регрессия (LinearRegression)
+-  Рекурсивное сокращение 
+признаков (Recursive Feature Elimination – RFE)
+- Сокращение признаков 
+Случайными деревьями (Random Forest Regressor)
+
+Как запустить лабораторную работу:
+
+Чтобы увидеть работу программы, нужно запустить исполняемый питон файл senkin_alexander_lab_2.py, после чего в консоли будут выведены все признаки, их ранжирование и топ 4 признака по среднему значению значимости.
+
+Библиотеки
+
+Numpy. иблиотека для работы с массивами и матрицами чисел. Она используется для создания и манипуляции данными.
+
+Sklearn. Предоставляет инструменты и алгоритмы, которые упрощают задачи, связанные с машинным обучением.
+
+Описание программы:
+
+- Генерируем набор данных из 100 точек данных используя функцию make_circles
+- С помощью функции train_test_split разделяем данные на тестовые и обучающие в соотношении 20 к 80
+- Добавляем дополнительные признаки, чтобы в сумме было 20 признаков
+- Создаем 3 модели:
+- Линейную регрессию (LinearRegression)
+- Рекурсивное сокращение признаков (Recursive Feature Elimination – RFE)
+- Сокращение признаков Случайными деревьями (Random Forest Regressor)
+- Обучаем модели и производим ранжирование
+- Линейная регрессия дает ранжирование признаков на основе абсолютных коэффициентов.
+- RFE (Рекурсивное сокращение признаков) ранжирует признаки на основе их значимости для модели.
+- Random Forest Regressor оценивает важность признаков на основе их вклада в прогнозы модели.
+- Посредством вычисления среднего ранжирования по всем трем методам мы определяем, какие признаки являются самыми важными с учетом всех трех методов.
+
+![img.png](img.png)
+
+Делаем вывод, что по среднему значению самыми важными признаками являются 3, 17, 19 и 20 признаки
\ No newline at end of file
diff --git a/senkin_alexander_lab_2/img.png b/senkin_alexander_lab_2/img.png
new file mode 100644
index 0000000..bec9f5a
Binary files /dev/null and b/senkin_alexander_lab_2/img.png differ
diff --git a/senkin_alexander_lab_2/senkin_alexander_lab_2.py b/senkin_alexander_lab_2/senkin_alexander_lab_2.py
new file mode 100644
index 0000000..e0ed5b9
--- /dev/null
+++ b/senkin_alexander_lab_2/senkin_alexander_lab_2.py
@@ -0,0 +1,50 @@
+import numpy as np
+from sklearn.datasets import make_circles
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LinearRegression
+from sklearn.feature_selection import RFE
+from sklearn.ensemble import RandomForestRegressor
+
+# Создаем данные
+rs = 42  # Установите желаемый random_state
+X, y = make_circles(n_samples=100, noise=0.2, factor=0.5, random_state=rs)
+
+# Добавим дополнительные признаки
+X = np.column_stack((X, X**2, X**3, X**4, X**5, X**6, X**7, X**8, X**9, X**10))
+
+# Разделяем данные на обучающий и тестовый наборы
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=rs)
+
+# Линейная регрессия
+lr = LinearRegression()
+lr.fit(X_train, y_train)
+lr_feature_ranking = np.abs(lr.coef_)
+
+# RFE (Рекурсивное сокращение признаков)
+rfe = RFE(lr, n_features_to_select=1)
+rfe.fit(X_train, y_train)
+rfe_feature_ranking = rfe.ranking_
+
+# Случайные деревья
+rf = RandomForestRegressor(random_state=rs)
+rf.fit(X_train, y_train)
+rf_feature_importance = rf.feature_importances_
+
+# Создаем матрицу, где строки - это признаки, а столбцы - это методы
+feature_rankings = np.vstack((lr_feature_ranking, rfe_feature_ranking, rf_feature_importance))
+
+# Вычисляем среднюю оценку для каждого признака
+mean_rankings = np.mean(feature_rankings, axis=0)
+
+# Выводим ранжирование признаков и средние оценки
+feature_names = [f"Feature {i}" for i in range(1, X_train.shape[1] + 1)]
+for i, feature in enumerate(mean_rankings):
+    print(f'{feature_names[i]}: Linear Regression Rank = {lr_feature_ranking[i]:.2f}, RFE Rank = {rfe_feature_ranking[i]}, Random Forest Importance = {rf_feature_importance[i]:.2f}, Mean Rank = {feature:.2f}')
+
+# Сортируем признаки по среднему значению
+sorted_features = np.argsort(mean_rankings)
+top_4_features = sorted_features[:4]
+
+print("\nTop 4 features by mean ranking:")
+for feature_index in top_4_features:
+    print(f'{feature_names[feature_index]}')
\ No newline at end of file