diff --git a/kurmyza_pavel_lab_2/README.md b/kurmyza_pavel_lab_2/README.md
new file mode 100644
index 0000000..a11ce81
--- /dev/null
+++ b/kurmyza_pavel_lab_2/README.md
@@ -0,0 +1,59 @@
+# Лабораторная работа №2
+
+## ПИбд-41, Курмыза Павел, Вариант 13
+
+## Как запустить ЛР
+
+- Запустить файл main.py
+
+## Используемые технологии
+
+- Язык программирования Python
+- Библиотеки: sklearn, numpy
+
+## Что делает программа
+
+Выполняет ранжирование 14 признаков для регрессионной проблемы Фридмана с помощью моделей:
+
+- Рекурсивное сокращение признаков (Recursive Feature Elimination – RFE)
+- Сокращение признаков Случайными деревьями (Random Forest Regressor)
+- Линейная корреляция (f_regression)
+
+Отображение получившихся результатов: 4 самых важных признака по среднему значению, значения признаков для каждой
+модели.
+
+## Результаты
+
+### RFE
+
+{'x1': 1.0, 'x2': 1.0, 'x3': 1.0, 'x4': 1.0, 'x5': 1.0, 'x11': 1.0, 'x13': 1.0, 'x12': 0.86, 'x14': 0.71, 'x8': 0.57, '
+x6': 0.43, 'x10': 0.29, 'x7': 0.14, 'x9': 0.0}
+
+### RFR
+
+{'x14': 1.0, 'x2': 0.84, 'x4': 0.77, 'x1': 0.74, 'x11': 0.36, 'x12': 0.35, 'x5': 0.28, 'x3': 0.12, 'x13': 0.12, 'x6':
+0.01, 'x7': 0.01, 'x8': 0.01, 'x9': 0.01, 'x10': 0.0}
+
+### f_regression
+
+{'x4': 1.0, 'x14': 0.97, 'x2': 0.57, 'x12': 0.56, 'x1': 0.44, 'x11': 0.43, 'x5': 0.17, 'x8': 0.13, 'x7': 0.1, 'x9':
+0.08, 'x10': 0.05, 'x6': 0.04, 'x3': 0.01, 'x13': 0.0}
+
+### Средние значения
+
+{'x1': 0.33, 'x2': 0.33, 'x3': 0.33, 'x4': 0.33, 'x5': 0.33, 'x11': 0.33, 'x13': 0.33, 'x12': 0.29, 'x14': 0.24, 'x8':
+0.19, 'x6': 0.14, 'x10': 0.1, 'x7': 0.05, 'x9': 0.0}
+
+## Вывод
+
+По итогу тестирования было выявлено:
+
+1. Модель рекурсивного сокращения признаков отдала предпочтение многим важным параметрам таким как x1, x2, x3, x4, x5,
+   x11, x13, x12, x14.
+2. Модель сокращения признаков случайными деревьями выявила в качестве важных признаков x14, x2, x4, x1. Несмотря на то,
+   что признак x3 не был выявлен, его влияние может быть учтено через скоррелированный параметр x14.
+3. Метод линейной корреляции (f_regression) сделал наилучшее взвешивание, отдав предпочтение прзинакам x4, x14, x2, x12.
+   Несмотря на то, что признаки x1 и x3 не были выявлены, их влияние может быть учтено через скоррелированные параметры
+   x12 и x14.
+
+Согласно среднему значению, важными признаками являются: x1, x2, x3, x4, x5.
\ No newline at end of file
diff --git a/kurmyza_pavel_lab_2/main.py b/kurmyza_pavel_lab_2/main.py
new file mode 100644
index 0000000..c8108e9
--- /dev/null
+++ b/kurmyza_pavel_lab_2/main.py
@@ -0,0 +1,94 @@
+from sklearn.linear_model import LinearRegression
+from sklearn.feature_selection import RFE, f_regression
+import numpy as np
+from sklearn.preprocessing import MinMaxScaler
+from operator import itemgetter
+from sklearn.ensemble import RandomForestRegressor
+
+
+def rank_to_dict(ranks, names):
+    ranks = np.abs(ranks)
+
+    minmax = MinMaxScaler()
+
+    ranks = minmax.fit_transform(np.array(ranks).reshape(FEATURES_AMOUNT, 1)).ravel()
+    ranks = map(lambda x: round(x, 2), ranks)
+    return dict(zip(names, ranks))
+
+
+def flip_array(arr):
+    return -1 * arr + np.max(arr)
+
+
+def sort_by_desc(dictionary):
+    return dict(sorted(dictionary.items(), key=itemgetter(1), reverse=True))
+
+
+def calc_mean(ranks):
+    mean = {}
+
+    for key, value in ranks.items():
+        for item in value.items():
+            if item[0] not in mean:
+                mean[item[0]] = 0
+                mean[item[0]] += item[1]
+
+    for key, value in mean.items():
+        res = value / len(ranks)
+        mean[key] = round(res, 2)
+
+    return sort_by_desc(mean)
+
+
+# Исходные данные составляют 750 строк-наблюдений и 14 столбцов-признаков
+
+FEATURES_SIZE = 750
+FEATURES_AMOUNT = 14
+
+# Генерация случайных исходных данных
+
+np.random.seed(0)
+x = np.random.uniform(0, 1, (FEATURES_SIZE, 14))
+
+# Создание функции-выхода (постановка регрессионной проблемы Фридмана) и добавление зависимости признаков
+
+y = (10 * np.sin(np.pi * x[:, 0] * x[:, 1]) + 20 * (x[:, 2] - .5) ** 2 +
+     10 * x[:, 3] + 5 * x[:, 4] ** 5 + np.random.normal(0, 1))
+
+x[:, 10:] = x[:, :4] + np.random.normal(0, .025, (FEATURES_SIZE, 4))
+
+# Создаём модель рекурсивного сокращения признаков на основе линейной модели и обучаем её
+
+regression = LinearRegression()
+regression.fit(x, y)
+rfe = RFE(regression)
+rfe.fit(x, y)
+
+# Создаём модель сокращения признаков случайными деревьями и обучаем её
+
+rfr = RandomForestRegressor()
+rfr.fit(x, y)
+
+# Создаём модель линейной корреляции и обучаем её
+
+f, _ = f_regression(x, y, center=False)
+
+# Аккумулируем наименования признаков
+
+features_names = ["x%s" % i for i in range(1, FEATURES_AMOUNT + 1)]
+
+# Собираем отображения значений каждого признака каждой моделью
+
+features_ranks = {
+    'RFE': sort_by_desc(rank_to_dict(flip_array(rfe.ranking_), features_names)),
+    'RFR': sort_by_desc(rank_to_dict(rfr.feature_importances_, features_names)),
+    'f_regression': sort_by_desc(rank_to_dict(f, features_names))
+}
+
+# Подсчитываем среднюю оценку и выводим результаты
+
+print(f"Результаты:"
+      f"\n RFE \n{features_ranks['RFE']}"
+      f"\n RFR \n{features_ranks['RFR']}"
+      f"\n f_regression \n {features_ranks['f_regression']}"
+      f"\n Средние значения \n{calc_mean(features_ranks)}")