diff --git a/sergeev_evgenii_lab_5/lab5.py b/sergeev_evgenii_lab_5/lab5.py
new file mode 100644
index 0000000..0ce0fe4
--- /dev/null
+++ b/sergeev_evgenii_lab_5/lab5.py
@@ -0,0 +1,58 @@
+# Импортируем необходимые библиотеки
+import math
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import Ridge
+from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
+from sklearn.preprocessing import StandardScaler, LabelEncoder
+
+# Загрузим данные
+df = pd.read_csv("hotel_bookings_raw.csv")
+df.dropna(inplace=True)
+
+# Объявляю объект для преобразования строковых значений в числовые
+label_encoder = LabelEncoder()
+
+# Выберем признаки и целевую переменную (доход)
+features_list = ['lead_time', 'stays_in_weekend_nights',
+                 'stays_in_week_nights', 'adults', 'children', 'babies', 'meal', 'customer_type',
+                 'previous_cancellations',
+                 'previous_bookings_not_canceled', 'required_car_parking_spaces',
+                 'CPI_AVG', 'INFLATION', 'INFLATION_CHG', 'GDP', 'CPI_HOTELS']
+features = df[features_list].copy()
+
+# Применяю к каждому столбцу признака преобразования
+for f in features_list:
+    features[f] = label_encoder.fit_transform(features[f])
+
+target = df['adr'].copy()
+
+# Разделим данные на тренировочный и тестовый наборы
+X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, random_state=42)
+
+# Масштабируем признаки для лучшей производительности модели
+scaler = StandardScaler()
+X_train_scaled = scaler.fit_transform(X_train)
+X_test_scaled = scaler.transform(X_test)
+
+# Создаем модель гребневой регрессии
+ridge_model = Ridge(alpha=1.0)  # Можете изменить alpha в зависимости от необходимой регуляризации
+
+# Обучаем модель на тренировочных данных
+ridge_model.fit(X_train_scaled, y_train)
+
+# Делаем предсказания на тестовых данных
+predictions = ridge_model.predict(X_test_scaled)
+
+# Оцениваем производительность модели по MSE метрике
+mse = math.sqrt(mean_squared_error(y_test, predictions))
+
+# Оцениваем производительность модели по MAE метрике
+mae = mean_absolute_error(y_test, predictions)
+
+# Оцениваем производительность модели по R^2 метрике
+r2 = r2_score(y_test, predictions)
+
+print(f"Среднеквадратичная ошибка (MSE): {round(mse, 2)}%")
+print(f"Среднеабсолютное отклонение (MAE): {round(mae, 2)}%")
+print(f"Коэффициент детерминации (R^2): {round(r2, 4) * 100}%")
diff --git a/sergeev_evgenii_lab_5/readme.md b/sergeev_evgenii_lab_5/readme.md
new file mode 100644
index 0000000..fe20ee6
--- /dev/null
+++ b/sergeev_evgenii_lab_5/readme.md
@@ -0,0 +1,27 @@
+# Лабораторная работа 5. Регрессия
+## Задание
+Использовать метод регрессии по варианту (24 == 4) для данных из таблицы, самостоятельно  сформулировав  задачу. 
+Оценить, насколько хорошо она подходит для решения сформулированной мной задачи.
+
+Ссылка на мой датасет: https://www.kaggle.com/datasets/mlardi/hotel-booking-demand-with-economic-indicators
+## Задача
+Прогнозировать значение целевой переменной (доход) на основе набора экономических показателей,
+используя гребневую регрессию.
+### Запуск программы
+Файл lab5.py содержит и запускает программу.
+
+### Описание программы
+Программа состоит из двух частей:
+1. Она считывает файл с данными о двух отелях: City Hotel и Resort Hotel. Содержит множество различных метрик
+2. Далее определяет необходимые признаки для характеристики дохода
+3. Обучает модель и выводит результат по различным метрикам
+### Результаты тестирования
+По результатам тестирования, можно сказать следующее:
+
+Вывод:
+* Среднеквадратичная ошибка (MSE) - 39% - показывает самое большое отклонение
+* Среднеабсолютное отклонение (MAE) - 29% - показывает средний уровень отклонения
+* Коэффициент детерминации (R^2) - 32% - показывает уровень изменчивости целевой переменной
+
+Результаты показывают, что модель может быть улучшена, 
+так как имеется значительный уровень ошибки и только небольшая доля изменчивости данных объяснена моделью