diff --git a/faskhutdinov_idris_lab_1/Linear_Regression.png b/faskhutdinov_idris_lab_1/Linear_Regression.png
new file mode 100644
index 0000000..5213c27
Binary files /dev/null and b/faskhutdinov_idris_lab_1/Linear_Regression.png differ
diff --git a/faskhutdinov_idris_lab_1/Polynomial_Regression.png b/faskhutdinov_idris_lab_1/Polynomial_Regression.png
new file mode 100644
index 0000000..97cab8b
Binary files /dev/null and b/faskhutdinov_idris_lab_1/Polynomial_Regression.png differ
diff --git a/faskhutdinov_idris_lab_1/Readme.md b/faskhutdinov_idris_lab_1/Readme.md
new file mode 100644
index 0000000..58e9fd0
--- /dev/null
+++ b/faskhutdinov_idris_lab_1/Readme.md
@@ -0,0 +1,40 @@
+# Лабораторная работа №1. Работа с типовыми наборами данных и различными моделями
+## 6 вариант
+### Задание:
+Используя код из пункта «Регуляризация и сеть прямого
+распространения» из источника (стр. 228), сгенерируйте определенный тип данных и
+сравните на нем 3 модели (по варианту). Постройте графики, отобразите
+качество моделей, объясните полученные результаты.
+
+Данные: make_classification (n_samples=500, n_features=2,
+n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
+
+Модели:
+* Линейную регрессию
+* Полиномиальную регрессию (со степенью 4)
+* Гребневую полиномиальную регрессию (со степенью 4, alpha = 1.0)
+
+### Как запустить лабораторную
+1. Запустить файл main.py
+
+### Используемые технологии
+1. Библиотека matplotlib
+2. Библиотека scikit-learn
+3. Python
+4. IDE PyCharm
+
+### Описание лабораторной работы
+
+Программа генерирует набор данных с помощью функции make_classification в функции main.
+После чего делит данные на тестовую и обучающую выборки. В итоге запускает функции linear_regression, polin_regression_4, gr_polin_regression_4,
+передавая им набор данных как аргументы. В вышеперечисленных функциях происходит обучение моделей на тестовой выборке, после чего предсказываются
+данные на оставшейся выборке. В заключении строятся графики, которые отображают модели, в консоль выводится оценка их работы
+
+### Результат
+Программа выводит в консоль следующие данные:
+Линейная регрессия: 0.8857142857142857
+Полиномиальная регрессия: 0.9714285714285714
+Гребневая полиномиальная регрессия: 0.7732479926366043
+Выходит, что наиболее качественная для решения задачи-полиномиальная регрессия, а хуже всего справилась гребневая полиномиальная.
+
+Скриншоты работы программы представлены в папке с лабораторной работой. 
diff --git a/faskhutdinov_idris_lab_1/Ridge_Poly_Regression.png b/faskhutdinov_idris_lab_1/Ridge_Poly_Regression.png
new file mode 100644
index 0000000..8432f6d
Binary files /dev/null and b/faskhutdinov_idris_lab_1/Ridge_Poly_Regression.png differ
diff --git a/faskhutdinov_idris_lab_1/main.py b/faskhutdinov_idris_lab_1/main.py
new file mode 100644
index 0000000..8bd49c7
--- /dev/null
+++ b/faskhutdinov_idris_lab_1/main.py
@@ -0,0 +1,91 @@
+# 6 вариант
+# Данные: make_classification (n_samples=500, n_features=2,
+# n_redundant=0, n_informative=2, random_state=rs, n_clusters_per_class=1)
+# Модели:
+# · Линейная регрессия
+# · Полиномиальная регрессия (со степенью 4)
+# · Гребневая полиномиальная регрессия (со степенью 4, alpha = 1.0)
+import numpy as np
+import matplotlib.pyplot as plt
+from matplotlib.colors import ListedColormap
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LogisticRegression, LinearRegression
+from sklearn.preprocessing import PolynomialFeatures, StandardScaler
+from sklearn.pipeline import make_pipeline
+from sklearn.datasets import make_moons, make_circles, make_classification
+from sklearn.neural_network import MLPClassifier
+from sklearn.linear_model import Ridge
+
+# Задаем параметры генерации данных
+n_samples = 500
+n_features = 2
+n_redundant = 0
+n_informative = 2
+random_state = 42
+n_clusters_per_class = 1
+
+
+def main():
+    # Генерация данных
+    X, y = make_classification(n_samples=n_samples,
+                               n_features=n_features,
+                               n_redundant=n_redundant,
+                               n_informative=n_informative,
+                               random_state=random_state,
+                               n_clusters_per_class=n_clusters_per_class)
+    # Тестовая и обучающая выборки
+    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.65, random_state=random_state)
+
+    # Создание моделей
+    linear_regression(X_train, X_test, y_train, y_test)
+    polin_regression_4(X_train, X_test, y_train, y_test)
+    gr_polin_regression_4(X_train, X_test, y_train, y_test)
+
+# Создание линейной регрессии
+def linear_regression(X_train, X_test, y_train, y_test):
+    linear_regression = LogisticRegression()
+    linear_regression.fit(X_train, y_train)
+    linear_regression_score = linear_regression.score(X_train, y_train)
+
+    linear_pred = linear_regression.predict(X_test)
+
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=linear_pred, cmap="bwr")
+    plt.title("Линейная регрессия")
+    plt.xlabel("Признак 1")
+    plt.ylabel("Признак 2")
+    plt.show()
+    print("Линейная регрессия: {}".format(linear_regression_score))
+
+#Создание полиномиальной регрессии со степенью 4
+def polin_regression_4(X_train, X_test, y_train, y_test):
+    poly_regression = make_pipeline(PolynomialFeatures(degree=4), LogisticRegression())
+    poly_regression.fit(X_train, y_train)
+    polynomial_regression_score = poly_regression.score(X_train, y_train)
+
+    poly_pred = poly_regression.predict(X_test)
+
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=poly_pred, cmap="bwr")
+    plt.title("Полиномиальная регрессия")
+    plt.xlabel("Признак 1")
+    plt.ylabel("Признак 2")
+    plt.show()
+    print("Полиномиальная регрессия: {}".format(polynomial_regression_score))
+
+
+
+#Создание гребневой полиномиальной регрессии со степенью 4 и alpha = 1.0
+def gr_polin_regression_4(X_train, X_test, y_train, y_test):
+    ridge_regression = make_pipeline(PolynomialFeatures(degree=4), Ridge(alpha=1.0))
+    ridge_regression.fit(X_train, y_train)
+    ridge_regression_score = ridge_regression.score(X_train, y_train)
+
+    ridge_pred = ridge_regression.predict(X_test)
+
+    plt.scatter(X_test[:, 0], X_test[:, 1], c=ridge_pred, cmap="bwr")
+    plt.title("Гребневая полиномиальная регрессия")
+    plt.xlabel("Признак 1")
+    plt.ylabel("Признак 2")
+    plt.show()
+    print("Гребневая полиномиальная регрессия: {}".format(ridge_regression_score))
+
+main()
\ No newline at end of file