diff --git a/romanova_adelina_lab_5/1.png b/romanova_adelina_lab_5/1.png
new file mode 100644
index 0000000..3845e0a
Binary files /dev/null and b/romanova_adelina_lab_5/1.png differ
diff --git a/romanova_adelina_lab_5/README.md b/romanova_adelina_lab_5/README.md
new file mode 100644
index 0000000..a2469ed
--- /dev/null
+++ b/romanova_adelina_lab_5/README.md
@@ -0,0 +1,79 @@
+# Лабораторная работа №5. Вариант 21
+
+## Тема: 
+Регрессия
+
+## Модель: 
+
+LinearRegression
+
+## Как запустить программу:
+Установить *python, numpy, matplotlib, sklearn*
+```
+python lab.py
+```
+
+## Какие технологии использовались:
+Язык программирования Python, библиотеки numpy, matplotlib, sklearn
+
+Среда разработки VSCode
+
+# Что делает лабораторная работа:
+
+Поскольку артериальное давление пациента в состоянии покоя является важным медицинским показателем, оно было выбрано для предсказания на основе доступных признаков, таких как возраст, пол и других.
+
+Внедрение линейной регрессии в решение задачи прогнозирования артериального давления в состоянии покоя приносит несколько ключевых преимуществ. 
+
+Линейная регрессия является мощным инструментом в области статистики и машинного обучения, широко применяемым для анализа и моделирования связей между зависимыми и независимыми переменными. Ее основная цель — построить линейную функцию, наилучшим образом приближающую отношение между входными данными и целевой переменной. Это позволяет предсказывать значения целевой переменной на основе новых входных данных.
+
+### Описание: 
+```LinearRegression``` - метод наименьших квадратов (MSE) – это основной принцип LinearRegression. Он стремится минимизировать сумму квадратов разностей между фактическими и предсказанными значениями. Этот алгоритм предоставляет аналитическое решение для определения коэффициентов линейной модели, что делает его эффективным и простым для понимания.
+
+Процесс обучения линейной регрессии требует выполнения следующих шагов:
+
+  1.  Получить исходные данные
+
+  2.  Выбрать целевое значение, которые нужно предсказывать
+
+  3.  Обработать данные таким образом, чтобы все признаки имели только числовой формат, и добавить нормализацию, или иначе, стандартизацию данных
+
+  4.  4.	Провести обучение выбранной модели на подготовленных данных
+
+Обработка данных происходит с помощью функции ```str_features_to_numeric```:
+
+```
+def str_features_to_numeric(data):
+    # Преобразовывает все строковые признаки в числовые.
+
+    # Определение категориальных признаков
+    categorical_columns = []
+    numerics = ['int8', 'int16', 'int32', 'int64', 'float16', 'float32', 'float64']
+    features = data.columns.values.tolist()
+    for col in features:
+        if data[col].dtype in numerics: continue
+        categorical_columns.append(col)
+
+    # Кодирование категориальных признаков
+    for col in categorical_columns:
+        if col in data.columns:
+            le = LabelEncoder()
+            le.fit(list(data[col].astype(str).values))
+            data[col] = le.transform(list(data[col].astype(str).values))
+
+    return data
+```
+
+Далее происходит нормализация с помощью ```StandardScaler```. 
+
+В качестве целевого признака был выбран артериальное давление в состоянии покоя ```trestbps```- артериальное давление в состоянии покоя (в мм рт. ст. при поступлении в больницу). Обработанные данные поступают на вход обучения модели линейной регресии:
+
+![](1.png "")
+
+-	reg.score_ - отображает точность работы модели
+-	reg.coef_ - отображает коэффициенты при признаках расположенных по порядку
+-	reg.intercept_ - показывает параметр смещения (в английской литературе bias) 
+
+## Вывод
+
+На основе полученных результатов, можно сказать, что классическая модель линейной регрессии является более чем подходящей для решения именно этой конкретной задачи 
+
diff --git a/romanova_adelina_lab_5/lab.py b/romanova_adelina_lab_5/lab.py
new file mode 100644
index 0000000..7419ad8
--- /dev/null
+++ b/romanova_adelina_lab_5/lab.py
@@ -0,0 +1,87 @@
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+import seaborn as sns
+import sklearn
+from sklearn.linear_model import LinearRegression, SGDRegressor, Ridge
+
+
+from sklearn.preprocessing import (LabelEncoder,
+                                   StandardScaler,
+                                   MinMaxScaler,
+                                   RobustScaler)
+from sklearn.model_selection import train_test_split, GridSearchCV, StratifiedKFold, learning_curve, ShuffleSplit
+
+
+def str_features_to_numeric(data):
+    # Преобразовывает все строковые признаки в числовые.
+
+    # Определение категориальных признаков
+    categorical_columns = []
+    numerics = ['int8', 'int16', 'int32', 'int64', 'float16', 'float32', 'float64']
+    features = data.columns.values.tolist()
+    for col in features:
+        if data[col].dtype in numerics: continue
+        categorical_columns.append(col)
+
+    # Кодирование категориальных признаков
+    for col in categorical_columns:
+        if col in data.columns:
+            le = LabelEncoder()
+            le.fit(list(data[col].astype(str).values))
+            data[col] = le.transform(list(data[col].astype(str).values))
+
+    return data
+
+
+if __name__ == "__main__":
+    data = pd.read_csv("..//heart_disease_uci.csv")
+    data['target'] = data['trestbps']
+    data = data.drop(columns=['id', 'dataset', 'trestbps'])
+
+    data_wo_null = data.dropna()
+    print(len(data_wo_null))
+
+    encoded_data_wo_null = str_features_to_numeric(data_wo_null)
+    print(len(encoded_data_wo_null))
+
+    # Model standartization
+    # The standard score of a sample x is calculated as:
+    # z = (x - мат.ож.) / (стандартное отклонение)
+    scaler = StandardScaler()
+    new_data = pd.DataFrame(scaler.fit_transform(encoded_data_wo_null), columns = encoded_data_wo_null.columns)
+
+    dataset = data_wo_null.copy()  # original data
+    target_name = 'target'
+    target = data_wo_null.pop(target_name)
+
+    test_train_split_part = 0.2
+    random_state = 42
+
+    train, valid, train_target, valid_target = train_test_split(new_data, target, 
+                                                                test_size=test_train_split_part, 
+                                                                random_state=random_state)
+    
+    reg = LinearRegression().fit(train, train_target)
+
+    print("---"*15, " LinearRegression ", "---"*15)
+    print(f"Accuracy: {reg.score(valid, valid_target)}")
+    print(f"коэффициенты: {reg.coef_}")
+    print(f"Смещение относительно начала координат (bias): {reg.intercept_}")
+
+    SGD_reg = SGDRegressor(max_iter=1000, tol=1e-3)
+    SGD_reg.fit(train, train_target)
+
+    print("---"*15, " SGDRegressor ", "---"*15)
+    print(f"Accuracy: {SGD_reg.score(valid, valid_target)}")
+    print(f"коэффициенты: {SGD_reg.coef_}")
+    print(f"Смещение относительно начала координат (bias): {SGD_reg.intercept_}")
+
+    Ridge_clf = Ridge(alpha=1.0)
+    Ridge_clf.fit(train, train_target)
+
+    print("---"*15, " Ridge ", "---"*15)
+    print(f"Accuracy: {Ridge_clf.score(valid, valid_target)}")
+    print(f"коэффициенты: {Ridge_clf.coef_}")
+    print(f"Смещение относительно начала координат (bias): {Ridge_clf.intercept_}")
+