diff --git a/volkov_rafael_lab_1/app.py b/volkov_rafael_lab_1/app.py
new file mode 100644
index 0000000..d63193e
--- /dev/null
+++ b/volkov_rafael_lab_1/app.py
@@ -0,0 +1,60 @@
+import numpy as np
+from flask import Flask, request, render_template
+from sklearn.datasets import make_circles
+from sklearn.neural_network import MLPClassifier
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import accuracy_score
+import matplotlib.pyplot as plt
+from mlxtend.plotting import plot_decision_regions
+
+app = Flask(__name__)
+
+@app.route('/')
+def home():
+ return render_template('index.html')
+
+@app.route('/compare_models', methods=['POST'])
+def compare_models():
+ # Генерация данных
+ rs = 0
+ X, y = make_circles(noise=0.2, factor=0.5, random_state=rs)
+ X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=rs)
+
+ # Персептрон
+ perceptron = MLPClassifier(hidden_layer_sizes=(1,), max_iter=1000, alpha=0.01)
+ perceptron.fit(X_train, y_train)
+ perceptron_score = accuracy_score(y_test, perceptron.predict(X_test))
+
+ # Многослойный персептрон с 10-ю нейронами в скрытом слое
+ mlp_10 = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000, alpha=0.01)
+ mlp_10.fit(X_train, y_train)
+ mlp_10_score = accuracy_score(y_test, mlp_10.predict(X_test))
+
+ # Многослойный персептрон со 100-ю нейронами в скрытом слое
+ mlp_100 = MLPClassifier(hidden_layer_sizes=(100,), max_iter=1000, alpha=0.01)
+ mlp_100.fit(X_train, y_train)
+ mlp_100_score = accuracy_score(y_test, mlp_100.predict(X_test))
+
+ # Создание графиков
+ plt.figure(figsize=(12, 4))
+
+ plt.subplot(131)
+ plot_decision_regions(X_test, y_test, clf=perceptron, legend=2)
+ plt.title('Персептрон\n(Accuracy: {:.2f})'.format(perceptron_score))
+
+ plt.subplot(132)
+ plot_decision_regions(X_test, y_test, clf=mlp_10, legend=2)
+ plt.title('MLP (10 нейронов)\n(Accuracy: {:.2f})'.format(mlp_10_score))
+
+ plt.subplot(133)
+ plot_decision_regions(X_test, y_test, clf=mlp_100, legend=2)
+ plt.title('MLP (100 нейронов)\n(Accuracy: {:.2f})'.format(mlp_100_score))
+
+ plt.tight_layout()
+
+ plt.savefig('static/models_comparison.png')
+
+ return render_template('index.html', result=True)
+
+if __name__ == '__main__':
+ app.run(debug=True)
diff --git a/volkov_rafael_lab_1/readme.md b/volkov_rafael_lab_1/readme.md
new file mode 100644
index 0000000..21e0e5a
--- /dev/null
+++ b/volkov_rafael_lab_1/readme.md
@@ -0,0 +1,39 @@
+Общее задание:
+Используя код из пункта «Регуляризация и сеть прямого
+распространения» из [1] (стр. 228), сгенерируйте определенный тип данных и
+сравните на нем 3 модели (по варианту). Постройте графики, отобразите
+качество моделей, объясните полученные результаты.
+
+8 вариант:
+Данные: make_circles (noise=0.2, factor=0.5, random_state=rs)
+Модели:
+- Персептрон
+· Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha =
+0.01)
+· Многослойный персептрон со 100-а нейронами в скрытом слое (alpha
+= 0.01)
+
+Запуск осуществляется через файл app.py
+
+
+Технологии:
+
+Flask: Веб-фреймворк для Python, используется для создания веб-приложения.
+NumPy: Библиотека для работы с массивами и матрицами, используется для генерации данных.
+scikit-learn: Библиотека для машинного обучения, используется для построения и обучения моделей.
+Matplotlib: Библиотека для визуализации данных, используется для создания графиков.
+mlxtend: Библиотека для визуализации решающих границ.
+Описание работы программы:
+
+При запуске приложения через Flask создается веб-сервер.
+Пользователь открывает веб-страницу, которая содержит кнопку "Compare Models".
+При нажатии на кнопку генерируются данные (make_circles) и тренируются три модели: Perceptron, MLP с 10 нейронами и MLP с 100 нейронами.
+Для каждой модели строятся графики с решающими границами и вычисляется точность модели на тестовых данных.
+Результаты (графики и точности) отображаются на веб-странице.
+Входные данные:
+
+Нет явных входных данных от пользователя. Данные генерируются программой (make_circles).
+Выходные данные:
+
+Визуализация решающих границ для трех моделей (Perceptron, MLP с 10 нейронами, MLP с 100 нейронами).
+Точность каждой модели на тестовых данных отображается на веб-странице.
\ No newline at end of file
diff --git a/volkov_rafael_lab_1/static/models_comparison.png b/volkov_rafael_lab_1/static/models_comparison.png
new file mode 100644
index 0000000..479019d
Binary files /dev/null and b/volkov_rafael_lab_1/static/models_comparison.png differ
diff --git a/volkov_rafael_lab_1/templates/index.html b/volkov_rafael_lab_1/templates/index.html
new file mode 100644
index 0000000..bb0ed78
--- /dev/null
+++ b/volkov_rafael_lab_1/templates/index.html
@@ -0,0 +1,38 @@
+
+
+
+
+
+ Model Comparison
+
+
+
+ Model Comparison
+
+ {% if result %}
+
+
+
 }})
+
+
+
+
+
+