diff --git a/.gitignore b/.gitignore
new file mode 100644
index 0000000..dd5f60f
--- /dev/null
+++ b/.gitignore
@@ -0,0 +1,2 @@
+# Specify filepatterns you want git to ignore.
+.idea/
diff --git a/basharin_sevastyan_lab_2/main.py b/basharin_sevastyan_lab_2/main.py
new file mode 100644
index 0000000..f767893
--- /dev/null
+++ b/basharin_sevastyan_lab_2/main.py
@@ -0,0 +1,60 @@
+from random import randrange
+import numpy as np
+from matplotlib import pyplot as plt
+from matplotlib.colors import ListedColormap
+from sklearn import metrics
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LinearRegression, LogisticRegression
+from sklearn.pipeline import make_pipeline
+from sklearn.preprocessing import StandardScaler, PolynomialFeatures
+from sklearn.datasets import make_circles
+
+rs = randrange(50)
+X, y = make_circles(noise=0.2, factor=0.5, random_state=rs)  # Сгенерируем данные
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2,
+                                                    random_state=rs)  # Разделим данные на обучающий и тестовый наборы
+
+# Линейная модель
+linear_reg = LinearRegression()
+# Полиномиальная регрессия (со степенью 4)
+poly_reg = make_pipeline(PolynomialFeatures(degree=4), StandardScaler(), LogisticRegression(random_state=rs))
+# Гребневая полиномиальная регрессия (со степенью 4 и alpha=1.0)
+ridge_poly_reg = make_pipeline(PolynomialFeatures(degree=4), StandardScaler(), LogisticRegression(penalty='l2', C=1.0,
+                                                                                                  random_state=rs))
+
+
+# Обучение моделей
+def mid_sq_n_det(name, model):
+    model.fit(X_train, y_train)
+    y_predict = model.predict(X_test)
+    print(f'Рассчёт среднеквадратичной ошибки для {name}: '
+          f'{np.round(np.sqrt(metrics.mean_squared_error(y_test, y_predict)),3)}')  # Рассчёт среднеквадратичной ошибки модели
+    print(f'Рассчёт коэфициента детерминации для {name}: {np.round(metrics.r2_score(y_test, y_predict), 2)}')  # Рассчёт коэфициента детерминации модели
+    return name, model
+
+
+# Графики
+models = [mid_sq_n_det("Линейная регрессия", linear_reg),
+          mid_sq_n_det("Полиномиальная регрессия (со степенью 4)", poly_reg),
+          mid_sq_n_det("Гребневая полиномиальная регрессия (со степенью 4, alpha = 1.0)", ridge_poly_reg)]
+
+cmap_background = ListedColormap(['#FFAAAA', '#AAAAFF'])
+cmap_points = ListedColormap(['#FF0000', '#0000FF'])
+
+plt.figure(figsize=(15, 4))
+for i, (name, model) in enumerate(models):
+    plt.subplot(1, 3, i + 1)
+    xx, yy = np.meshgrid(np.linspace(X[:, 0].min() - 1, X[:, 0].max() + 1, 100),
+                         np.linspace(X[:, 1].min() - 1, X[:, 1].max() + 1, 100))
+    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
+    Z = Z.reshape(xx.shape)
+    plt.contourf(xx, yy, Z, cmap=cmap_background, alpha=0.5)
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cmap_points, marker='o', label='Тестовые точки')
+    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cmap_points, marker='x', label='Обучающие точки')
+    plt.legend()
+    plt.title(name)
+    plt.text(0.5, -1.2, 'Красный класс', color='r', fontsize=12)
+    plt.text(0.5, -1.7, 'Синий класс', color='b', fontsize=12)
+
+plt.tight_layout()
+plt.show()