diff --git a/sergeev_evgenii_lab_4/clusters.png b/sergeev_evgenii_lab_4/clusters.png
new file mode 100644
index 0000000..66538e9
Binary files /dev/null and b/sergeev_evgenii_lab_4/clusters.png differ
diff --git a/sergeev_evgenii_lab_4/lab4.py b/sergeev_evgenii_lab_4/lab4.py
new file mode 100644
index 0000000..74a203c
--- /dev/null
+++ b/sergeev_evgenii_lab_4/lab4.py
@@ -0,0 +1,49 @@
+import pandas as pd
+import numpy as np
+from sklearn.cluster import DBSCAN
+from sklearn.preprocessing import LabelEncoder
+from sklearn.preprocessing import StandardScaler
+import matplotlib.pyplot as plt
+
+# Загружаю данные
+df = pd.read_csv("hotel_bookings_raw.csv", delimiter=',')
+
+# Объявляю объект для преобразования строковых значений в числовые
+label_encoder = LabelEncoder()
+
+# Признаки, по которым будет проходить кластеризация
+features = ['lead_time', 'stays_in_weekend_nights', 'adults', 'children', 'babies', 'adr']
+
+# Применяю к каждому столбцу признака преобразования
+for f in features:
+    df[f] = label_encoder.fit_transform(df[f])
+
+# Создаю объект для стандартизации данных
+scaler = StandardScaler()
+
+# Стандартизую признаки
+scaled_features = scaler.fit_transform(df[features])
+
+# Создаю объект для метода кластеризации DBSCAN
+# Это алгоритм кластеризации,
+# основанной на плотности —
+# если дан набор точек в
+# некотором пространстве, алгоритм
+# группирует вместе точки, которые тесно расположены
+# (точки со многими близкими соседями[en]), помечая как выбросы
+# точки, которые находятся одиноко в областях с малой плотностью
+# (ближайшие соседи которых лежат далеко). DBSCAN является одним
+# из наиболее часто используемых алгоритмов кластеризации, и наиболее часто упоминается в научной литературе
+dbscan = DBSCAN(eps=0.3, min_samples=5)
+
+# Кластеризую данные по этим признакам
+clusters = dbscan.fit_predict(scaled_features)
+
+# Создаю график
+plt.scatter(df[features[0]], df[features[1]], c=clusters)
+plt.title('Метод кластеризации - DBSCAN')
+plt.xlabel('Время до заезда')
+plt.ylabel('Забронировано ночей в выходные дни')
+
+# Сохранение графика в файл .png
+plt.savefig('clusters.png', dpi=300)
diff --git a/sergeev_evgenii_lab_4/readme.md b/sergeev_evgenii_lab_4/readme.md
new file mode 100644
index 0000000..23ee0fb
--- /dev/null
+++ b/sergeev_evgenii_lab_4/readme.md
@@ -0,0 +1,24 @@
+# Лабораторная работа 4. Кластеризация
+## Задание
+Использовать метод кластеризации по варианту (24 == 4) для данных из таблицы 1, самостоятельно  сформулировав  задачу. 
+Интерпретировать результаты и 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
+В данном случае я определил задачу как кластеризацию клиентов по их характеристикам.
+### Запуск программы
+Файл lab4.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 клиентов
+3. Создает картинку разделения клиентов по кластерам
+### Результаты тестирования
+По результатам тестирования, можно сказать следующее:
+
+Вывод:
+* Клиенты разделяются на различные группы по признакам
+* Это может оказать помощь в изменении предоставляемых услуг
+* Например, клиенты с семьями выбирают такие-то номера, богатые клиенты - другие
+