diff --git a/almukhammetov_bulat_lab_6/README.md b/almukhammetov_bulat_lab_6/README.md
new file mode 100644
index 0000000..40aae1a
--- /dev/null
+++ b/almukhammetov_bulat_lab_6/README.md
@@ -0,0 +1,82 @@
+Вариант 2
+
+Задание:
+Использовать нейронную сеть(четные варианты –MLPRegressor, нечетные –MLPClassifier)для данных из таблицы 1 по варианту, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо
+она подходит для решения сформулированной вами задачи.
+
+Данные: 
+Данный набор данных использовался во второй главе недавней книги Аурелиена Жерона "Практическое машинное обучение с помощью Scikit-Learn и TensorFlow". Он служит отличным введением в реализацию алгоритмов машинного обучения, потому что требует минимальной предварительной обработки данных, содержит легко понимаемый список переменных и находится в оптимальном размере, который не слишком мал и не слишком большой.
+
+Данные содержат информацию о домах в определенном районе Калифорнии и некоторую сводную статистику на основе данных переписи 1990 года. Следует отметить, что данные не прошли предварительную очистку, и для них требуются некоторые этапы предварительной обработки. Столбцы включают в себя следующие переменные, их названия весьма наглядно описывают их суть:
+
+долгота longitude
+
+широта latitude
+
+средний возраст жилья median_house_value
+
+общее количество комнат total_rooms
+
+общее количество спален total_bedrooms
+
+население population
+
+домохозяйства households
+
+медианный доход median_income
+
+Запуск:
+Запустите файл lab6.py
+
+Описание программы:
+
+1. Загрузка данных:
+   - Программа начинается с загрузки данных из файла 'housing.csv' с использованием библиотеки pandas.
+   - Пропущенные значения в данных удаляются с помощью `dropna()`.
+
+2. Выбор признаков и целевой переменной:
+   - Из загруженных данных выбираются признаки (features) и целевая переменная (target).
+   - В данном случае, признаки включают 'total_rooms', 'total_bedrooms', 'population', 'households', и 'median_income', а целевая переменная - 'median_house_value'.
+
+3. Разделение данных:
+   - Данные разделяются на тренировочный и тестовый наборы с использованием `train_test_split`. 
+   - В данной программе 90% данных используются для тренировки и 10% для тестирования.
+
+4. Масштабирование признаков:
+   - Признаки и целевая переменная масштабируются с использованием `StandardScaler`, чтобы улучшить производительность нейронной сети.
+
+5. Создание и обучение MLPRegressor:
+   - Создается модель MLPRegressor с заданными параметрами, такими как размеры скрытых слоев (hidden_layer_sizes), количество итераций (max_iter), и начальное состояние (random_state).
+   - Модель обучается на тренировочных данных с использованием `fit`.
+
+6. Предсказания и оценка производительности:
+   - Модель делает предсказания на тестовых данных с использованием `predict`.
+   - Оцениваются различные метрики производительности, такие как среднеквадратичная ошибка (MSE), среднеабсолютное отклонение (MAE) и коэффициент детерминации (R^2).
+
+7. Вывод результатов:
+   - Результаты оценки модели выводятся на экран, включая среднеквадратичную ошибку, среднеабсолютное отклонение и коэффициент детерминации.
+
+Результаты:
+
+![Alt text](image.png)
+
+![Alt text](image-1.png)
+
+Выводы:
+
+1. Среднеквадратичная ошибка (MSE): 69877.11%
+   - Эта метрика измеряет среднеквадратичное отклонение предсказанных значений от фактических. Чем меньше значение MSE, тем лучше. В данном случае, значение 69877.11% ОГРОМНО, что может свидетельствовать о значительном разбросе между фактическими и предсказанными значениями.
+
+2. Среднеабсолютное отклонение (MAE): 49654.91%
+   - MAE измеряет среднее абсолютное отклонение предсказанных значений от фактических. Аналогично, чем меньше значение MAE, тем лучше. Здесь значение 49654.91% также довольно больше.
+
+3. Коэффициент детерминации (R^2): 64.58%
+   - R^2 измеряет, насколько хорошо модель соответствует вариации в данных. Значение 64.58% говорит о том, что модель объясняет 64.58% дисперсии в целевой переменной. Это можно считать средним результатом.
+
+Интерпретация результатов:
+
+- В данном случае, модель MLPRegressor, обученная на выбранных признаках, не показала высокую точность предсказания целевой переменной (median_house_value).
+- Значения метрик (MSE, MAE, R^2) указывают на некоторую степень ошибки модели.
+
+Общий вывод:
+- В данной программе представленный MLPRegressor не дал оптимальных результатов. Дальнейшие исследования и настройка параметров могут потребоваться для улучшения точности предсказаний модели.
\ No newline at end of file
diff --git a/almukhammetov_bulat_lab_6/image-1.png b/almukhammetov_bulat_lab_6/image-1.png
new file mode 100644
index 0000000..e546cd0
Binary files /dev/null and b/almukhammetov_bulat_lab_6/image-1.png differ
diff --git a/almukhammetov_bulat_lab_6/image.png b/almukhammetov_bulat_lab_6/image.png
new file mode 100644
index 0000000..097d2a7
Binary files /dev/null and b/almukhammetov_bulat_lab_6/image.png differ
diff --git a/almukhammetov_bulat_lab_6/lab6.py b/almukhammetov_bulat_lab_6/lab6.py
new file mode 100644
index 0000000..fe6958c
--- /dev/null
+++ b/almukhammetov_bulat_lab_6/lab6.py
@@ -0,0 +1,49 @@
+# Использовать нейронную сеть(четные варианты –MLPRegressor, нечетные –MLPClassifier)для данных из таблицы 1
+# по варианту, самостоятельно сформулировав задачу. Интерпретировать результаты и оценить, насколько хорошо
+# она подходит для решения сформулированной вами задачи.
+
+# Вариант 2 MLPRegressor
+
+# Импортируем необходимые библиотеки
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.neural_network import MLPRegressor
+from sklearn.preprocessing import StandardScaler
+from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
+
+import math
+
+# Загрузим данные
+df = pd.read_csv('housing.csv')
+df.dropna(inplace=True)
+
+# Выберем признаки и целевую переменную (доход)
+features_list = ['total_rooms', 'total_bedrooms', 'population', 'households', 'median_income']
+features = df[features_list].copy()
+target = df['median_house_value'].copy()
+
+# Разделим данные на тренировочный и тестовый наборы
+X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.1, random_state=42)
+
+# Масштабируем признаки и целевую переменную
+scaler = StandardScaler()
+X_train_scaled = scaler.fit_transform(X_train)
+X_test_scaled = scaler.transform(X_test)
+
+# Создаем модель MLPRegressor
+mlp_regressor = MLPRegressor(hidden_layer_sizes=(100, 50), max_iter=1500, random_state=42)
+
+# Обучаем модель на тренировочных данных
+mlp_regressor.fit(X_train_scaled, y_train)
+
+# Делаем предсказания на тестовых данных
+predictions = mlp_regressor.predict(X_test_scaled)
+
+# Оцениваем производительность модели
+mse = mean_squared_error(y_test, predictions)
+mae = mean_absolute_error(y_test, predictions)
+r2 = r2_score(y_test, predictions)
+
+print(f"Среднеквадратичная ошибка (MSE): {round(math.sqrt(mse), 2)}%")
+print(f"Среднеабсолютное отклонение (MAE): {round(mae, 2)}%")
+print(f"Коэффициент детерминации (R^2): {round(r2, 4) * 100}%")