diff --git a/romanova_adelina_lab_4/1.png b/romanova_adelina_lab_4/1.png
new file mode 100644
index 0000000..9c4a9ab
Binary files /dev/null and b/romanova_adelina_lab_4/1.png differ
diff --git a/romanova_adelina_lab_4/2.png b/romanova_adelina_lab_4/2.png
new file mode 100644
index 0000000..9080a54
Binary files /dev/null and b/romanova_adelina_lab_4/2.png differ
diff --git a/romanova_adelina_lab_4/3.png b/romanova_adelina_lab_4/3.png
new file mode 100644
index 0000000..9ec0dbd
Binary files /dev/null and b/romanova_adelina_lab_4/3.png differ
diff --git a/romanova_adelina_lab_4/README.md b/romanova_adelina_lab_4/README.md
new file mode 100644
index 0000000..52dade8
--- /dev/null
+++ b/romanova_adelina_lab_4/README.md
@@ -0,0 +1,76 @@
+# Лабораторная работа №4. Вариант 21
+
+## Тема: 
+Кластеризация
+
+## Модель: 
+
+KMeans
+
+## Как запустить программу:
+Установить *python, numpy, matplotlib, sklearn*
+```
+python main.py
+```
+
+## Какие технологии использовались:
+Язык программирования Python, библиотеки numpy, matplotlib, sklearn
+
+Среда разработки VSCode
+
+# Что делает лабораторная работа:
+
+Задача кластеризации заключается в разделении множества данных на группы, называемые кластерами, таким образом, чтобы объекты внутри одного кластера были более похожи друг на друга, чем на объекты из других кластеров. Это позволяет выявлять скрытые структуры данных, облегчая последующий анализ и принятие решений.
+
+В данной работе была рассмотрена модель ```KMeans```.
+
+### Описание: 
+```KMeans``` разбивает данные на K кластеров, где K - заранее заданное число. Он минимизирует сумму квадратов расстояний между точками данных и центрами своих соответствующих кластеров. Этот алгоритм прост в реализации и хорошо работает для сферических кластеров.
+
+Кластеризация данных - это мощный инструмент для выделения закономерностей в больших объемах информации, и выбор конкретного алгоритма зависит от характера данных и поставленных задач. В данной работе мы рассмотрим эти алгоритмы более подробно, выявим их преимущества и недостатки, и проиллюстрируем их применение на практике.
+
+Процесс получения кластеров происходит по следующему алгоритму:
+
+  1.  Получаемый исходные данные
+
+  2.  Приводим их всех к численному формату
+
+  3.  Обучение на подготовленных данных
+
+```
+def clustering_df(X, n, m, output_hist, title='clusters_by'):
+
+    X_columns = X.columns
+    scaler = StandardScaler()
+    scaler.fit(X)
+    X = pd.DataFrame(scaler.transform(X), columns = X_columns)
+    cl = generate_clustering_algorithms(X, n, m)
+    cl.fit(X)
+    if hasattr(cl, 'labels_'):
+        labels = cl.labels_.astype(np.uint8)
+    else:
+        labels = cl.predict(X)
+    clusters=pd.concat([X, pd.DataFrame({'cluster':labels})], axis=1)
+```
+Для кластеризации были выбраны все столбцы, часть кода представлена ниже:
+
+```
+print(data.select_dtypes(include='object').columns.tolist())
+    for column in data.select_dtypes(include='object').columns.tolist():
+        data[column] = pd.factorize(data[column])[0]
+```
+Программа генерирует диаграммы для каждого кластера относительно всех признаков. Для меня наиболее интересным показались признаки возраста и наличия заболевания человека.
+
+![](1.png "")
+
+![](2.png "")
+
+Изучая графики выше, мы можем сделать вывод, что люди из кластера №3 почти все болеют и большинство имеет 2,3 и 4 стадии. А возраст этих людей от 45 до 70 лет.
+
+Ниже приложен результат обучения алгоритма кластеризации:
+
+![](3.png "")
+
+## Вывод
+
+Я думаю, что алгоритм ```KMeans```справился достаточно хорошо, т.к. в нем каждый кластер получился обособленным, то есть более отличным от других кластеров. Следовательно, это может означать, что именно этот алгоритм смог понять ключевые признаки для каждого кластера. 
diff --git a/romanova_adelina_lab_4/main.py b/romanova_adelina_lab_4/main.py
new file mode 100644
index 0000000..1723837
--- /dev/null
+++ b/romanova_adelina_lab_4/main.py
@@ -0,0 +1,166 @@
+import os
+import numpy as np
+import pandas as pd
+
+import matplotlib.pyplot as plt
+import seaborn as sns
+
+from sklearn import cluster, mixture
+from sklearn.decomposition import PCA
+from sklearn.cluster import KMeans, DBSCAN, OPTICS
+from sklearn.preprocessing import StandardScaler
+from sklearn.metrics.pairwise import cosine_similarity
+from sklearn.neighbors import kneighbors_graph
+from itertools import cycle, islice
+
+import warnings
+warnings.simplefilter('ignore')
+
+
+def generate_clustering_algorithms(Z, n_clusters, m):
+    # Generate clustering algorithms:
+    # m = 'MeanShift', 'KMeans', 'MiniBatchKMeans'
+
+    # The minimal percentage of similarity of the clustered feature with "Survived" for inclusion in the final dataset
+    limit_opt = 0.7
+
+    params = {'quantile': .2,
+              'eps': .3,
+              'damping': .9,
+              'preference': -200,
+              'n_neighbors': 10,
+              'n_clusters': n_clusters,
+              'min_samples': 3,
+              'xi': 0.05,
+              'min_cluster_size': 0.05}
+
+    # estimate bandwidth for mean shift
+    bandwidth = cluster.estimate_bandwidth(Z, quantile=params['quantile'])
+
+    # connectivity matrix for structured Ward
+    connectivity = kneighbors_graph(
+        Z, n_neighbors=params['n_neighbors'], include_self=False)
+
+    # make connectivity symmetric
+    connectivity = 0.5 * (connectivity + connectivity.T)
+
+    # ============
+    # Create cluster objects
+    # ============
+    if m == 'MeanShift':
+        cl = cluster.MeanShift(bandwidth=bandwidth, bin_seeding=True)
+    elif m == 'KMeans':
+        cl = cluster.KMeans(n_clusters=n_clusters, random_state = 1000)
+    elif m == 'MiniBatchKMeans':
+        cl = cluster.MiniBatchKMeans(n_clusters=n_clusters)
+
+    return cl
+
+
+def clustering_df(X, n, m, output_hist, title='clusters_by'):
+
+    # Standardization
+    X_columns = X.columns
+    scaler = StandardScaler()
+    scaler.fit(X)
+    X = pd.DataFrame(scaler.transform(X), columns = X_columns)
+    cl = generate_clustering_algorithms(X, n, m)
+    cl.fit(X)
+    if hasattr(cl, 'labels_'):
+        labels = cl.labels_.astype(np.uint8)
+    else:
+        labels = cl.predict(X)
+    clusters=pd.concat([X, pd.DataFrame({'cluster':labels})], axis=1)
+
+    # Inverse Standardization
+    X_inv = pd.DataFrame(scaler.inverse_transform(X), columns = X_columns)
+    clusters_inv=pd.concat([X_inv, pd.DataFrame({'cluster':labels})], axis=1)
+
+    # Number of points in clusters
+    print("Number of points in clusters:\n", clusters['cluster'].value_counts())
+
+    # Data in clusters - thanks to https://www.kaggle.com/sabanasimbutt/clustering-visualization-of-clusters-using-pca
+    if output_hist:
+        for c in clusters:
+            grid = sns.FacetGrid(clusters_inv, col='cluster')
+            grid.map(plt.hist, c)
+
+    plt.savefig(f'{title}_by_method_{m}.png')
+
+    return clusters, clusters_inv
+
+
+def plot_draw(X, title, m):
+    # Drawing a plot with clusters on the plane (using PCA transformation)
+    # Thanks to https://www.kaggle.com/sabanasimbutt/clustering-visualization-of-clusters-using-pca
+
+    dist = 1 - cosine_similarity(X)
+
+    # PCA transform
+    pca = PCA(2)
+    pca.fit(dist)
+    X_PCA = pca.transform(dist)
+
+    # Generate point numbers and colors for clusters
+    hsv = plt.get_cmap('hsv')
+    n_clusters = max(X['cluster'].value_counts().index)-min(X['cluster'].value_counts().index)+2
+    colors = list(hsv(np.linspace(0, 1, n_clusters)))
+    colors_num = list(np.linspace(min(X['cluster'].value_counts().index), max(X['cluster'].value_counts().index), n_clusters))
+    colors_num = [int(x) for x in colors_num]
+    colors_str = [str(x) for x in colors_num]
+    names_dict = dict(zip(colors_num, colors_str))
+    colors_dict = dict(zip(colors_num, colors))
+
+    # Visualization
+    x, y = X_PCA[:, 0], X_PCA[:, 1]
+
+    df = pd.DataFrame({'x': x, 'y':y, 'label':X['cluster'].tolist()})
+    groups = df.groupby('label')
+
+    fig, ax = plt.subplots(figsize=(12, 8))
+
+    for name, group in groups:
+        ax.plot(group.x, group.y, marker='o', linestyle='', ms=10,
+                color=colors_dict[name],
+                label=names_dict[name],
+                mec='none')
+        ax.set_aspect('auto')
+        ax.tick_params(axis='x',which='both',bottom='off',top='off',labelbottom='off')
+        ax.tick_params(axis= 'y',which='both',left='off',top='off',labelleft='off')
+
+    ax.legend(loc='upper right')
+    ax.set_title(f"{title} by method {m}")
+    plt.savefig(f'{title}_by_method_{m}.png')
+    plt.show()
+
+
+if __name__ == "__main__":
+    data = pd.read_csv("..//heart_disease_uci.csv")
+    data = data.drop_duplicates().reset_index(drop=True)
+
+    print(data.select_dtypes(include='object').columns.tolist())
+    for column in data.select_dtypes(include='object').columns.tolist():
+        data[column] = pd.factorize(data[column])[0]
+        # print(pd.factorize(data[column])[0])
+
+    methods_all = ['KMeans', 'MiniBatchKMeans', 'MeanShift']
+    n_default = 6
+
+    data = data[data.notna().all(axis=1)]
+
+    res = dict(zip(methods_all, [False]*len(methods_all)))
+    n_clust = dict(zip(methods_all, [1]*len(methods_all)))
+    for method in methods_all:
+        print(f"Method - {method}")
+        Y, Y_inv = clustering_df(data.copy(), n_default, method, True)
+
+        # If the number of clusters is less than 2, then the clustering is not successful
+        n_cl = len(Y['cluster'].value_counts())
+        if n_cl > 1:
+            res[method] = True
+            n_clust[method] = n_cl
+
+            plot_draw(Y, "Data clustering", method)
+        else:
+            print('Clustering is not successful because all data is in one cluster!\n')
+