diff --git a/simonov_nikita_lab_1/lab1-web.py b/simonov_nikita_lab_1/lab1-web.py
new file mode 100644
index 0000000..010fafa
--- /dev/null
+++ b/simonov_nikita_lab_1/lab1-web.py
@@ -0,0 +1,70 @@
+from flask import Flask, render_template
+import numpy as np
+from matplotlib import pyplot as plt
+from matplotlib.colors import ListedColormap
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import StandardScaler
+from sklearn.datasets import make_moons
+from sklearn.linear_model import LogisticRegression
+from sklearn.preprocessing import PolynomialFeatures
+from sklearn.pipeline import make_pipeline
+from sklearn.metrics import accuracy_score
+import io
+from flask import Response
+import matplotlib
+import base64
+
+app = Flask(__name__)
+matplotlib.use('Agg')
+matplotlib.rcParams['figure.max_open_warning'] = 0
+
+# Создаем данные
+moon_dataset = make_moons(noise=0.3, random_state=None)
+X, y = moon_dataset
+X = StandardScaler().fit_transform(X)
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=42)
+
+# Создаем модели
+models = {
+ "Линейная регрессия": LogisticRegression(),
+ "Полиномиальная регрессия": make_pipeline(PolynomialFeatures(degree=4), LogisticRegression()),
+ "Гребневая полиномиальная регрессия": make_pipeline(PolynomialFeatures(degree=4), LogisticRegression(penalty='l2', C=1.0))
+}
+
+background_color1 = '#CE5A57'
+background_color2 = '#78A5A3'
+data_color1 = 'red'
+data_color2 = 'green'
+
+# Обучаем и оцениваем модели
+model_results = {}
+for name, model in models.items():
+ model.fit(X_train, y_train)
+ y_pred = model.predict(X_test)
+ accuracy = accuracy_score(y_test, y_pred)
+ model_results[name] = {
+ 'accuracy': accuracy,
+ 'X_test': X_test,
+ 'y_test': y_test,
+ 'model': model
+ }
+
+@app.route('/')
+def index():
+ plot_images = {}
+ for model_name, results in model_results.items():
+ fig, ax = plt.subplots(figsize=(8, 6))
+ cm_data = ListedColormap([data_color1, data_color2])
+ scatter = ax.scatter(results['X_test'][:, 0], results['X_test'][:, 1], c=results['model'].predict(results['X_test']), cmap=cm_data, alpha=0.6)
+ ax.set_xticks(())
+ ax.set_yticks(())
+ ax.set_title(model_name)
+ buf = io.BytesIO()
+ plt.savefig(buf, format='png')
+ buf.seek(0)
+ plot_images[model_name] = base64.b64encode(buf.read()).decode('utf-8')
+
+ return render_template('index.html', model_results=model_results, plot_images=plot_images)
+
+if __name__ == '__main__':
+ app.run(threaded=True)
diff --git a/simonov_nikita_lab_1/readme.md b/simonov_nikita_lab_1/readme.md
new file mode 100644
index 0000000..82d4e54
--- /dev/null
+++ b/simonov_nikita_lab_1/readme.md
@@ -0,0 +1,143 @@
+# Лабораторная работа №1. Вариант 4.
+
+## Задание
+
+Сгенерируйте определенный тип данных и
+сравните на нем 3 модели (по варианту). Постройте графики, отобразите качество моделей, объясните полученные результаты.
+
+## Содержание
+- [Лабораторная работа №1. Вариант 4.](#лабораторная-работа-1-вариант-4)
+ - [Задание](#задание)
+ - [Содержание](#содержание)
+ - [Введение](#введение)
+ - [Зависимости](#зависимости)
+ - [Запуск приложения](#запуск-приложения)
+ - [Описание кода](#описание-кода)
+ - [Создание данных](#создание-данных)
+ - [Создание моделей](#создание-моделей)
+ - [Обучение и оценка моделей](#обучение-и-оценка-моделей)
+ - [Веб-приложение](#веб-приложение)
+ - [Использование](#использование)
+ - [Модели](#модели)
+ - [Линейная регрессия](#линейная-регрессия)
+ - [Полиномиальная регрессия](#полиномиальная-регрессия)
+ - [Гребневая полиномиальная регрессия](#гребневая-полиномиальная-регрессия)
+ - [Заключение](#заключение)
+
+## Введение
+
+Это Flask-приложение создано для демонстрации работы различных моделей машинного обучения на сгенерированном наборе данных "Лунные данные". Приложение включает в себя веб-страницу, на которой можно посмотреть визуализацию результатов трех моделей (линейная регрессия, полиномиальная регрессия и гребневая полиномиальная регрессия).
+
+## Зависимости
+
+Для работы этого приложения необходимы следующие библиотеки Python:
+
+- Flask
+- Matplotlib
+- scikit-learn
+- NumPy
+- io
+
+Вы можете установить их с помощью pip:
+
+```bash
+pip install flask matplotlib scikit-learn numpy
+```
+
+## Запуск приложения
+
+Чтобы запустить это Flask-приложение, выполните следующую команду:
+
+```bash
+python lab1-web.py
+```
+
+Приложение будет доступно по адресу `http://localhost:5000` в вашем веб-браузере.
+
+## Описание кода
+
+### Создание данных
+
+Для создания набора данных используется функция `make_moons` из scikit-learn. Данные представляют собой два класса, сгруппированных в форме лун, с добавлением шума. Затем данные нормализуются с использованием `StandardScaler`, и разделяются на обучающий и тестовый наборы данных.
+
+### Создание моделей
+
+В коде определены три модели машинного обучения:
+
+1. Линейная регрессия.
+2. Полиномиальная регрессия четвертой степени. Она создается с использованием `PolynomialFeatures` и логистической регрессии.
+3. Гребневая полиномиальная регрессия четвертой степени. Она также создается с использованием `PolynomialFeatures`, но с добавлением регуляризации (гребня) в логистической регрессии.
+
+### Обучение и оценка моделей
+
+Модели обучаются на обучающем наборе данных, и их точность оценивается на тестовом наборе данных с использованием метрики `accuracy_score`, показывающей точность моделей. Результаты оценки сохраняются в словаре `model_results`, который содержит информацию о точности модели и тестовых данных.
+
+### Веб-приложение
+
+Приложение реализовано с использованием Flask:
+
+- маршрут: `/` - главная страница, на которой отображаются результаты работы моделей.
+
+## Использование
+
+1. Запустите приложение, как описано выше.
+
+2. Перейдите по адресу `http://localhost:5000` в вашем веб-браузере.
+
+3. На главной странице вы увидите результаты работы всех трех моделей, включая их точность.
+
+## Модели
+
+### Линейная регрессия
+
+Модель создается следующим образом:
+```python
+"Линейная регрессия": LogisticRegression()
+```
+Результат в виде графика:
+
+
+
+Точность полученной модели получилась равной 0.875
+
+### Полиномиальная регрессия
+
+Код создания модели:
+```python
+"Полиномиальная регрессия": make_pipeline(PolynomialFeatures(degree=4), LogisticRegression())
+```
+Результат в виде графика:
+
+
+
+Точность полученной модели получилась равной 0.85
+
+### Гребневая полиномиальная регрессия
+
+Код создания модели:
+```python
+"Гребневая полиномиальная регрессия": make_pipeline(PolynomialFeatures(degree=4), LogisticRegression(penalty='l2', C=1.0))
+```
+Результат в виде графика:
+
+
+
+Точность полученной модели получилась равной 0.85
+
+
+## Заключение
+Все полученные модели:
+
+
+
+1. "Линейная регрессия" продемонстрировала самую высокую точность среди всех трех моделей (0.875).
+- Это означает, что линейная модель достаточно хорошо справляется с задачей классификации данных.
+- Это может быть следствием хорошо структурированных данных.
+
+2. "Полиномиальная регрессия" и "Гребневая полиномиальная регрессия" имеют одинаковую точность (0.85).
+- Обе эти модели показали одинаково хорошие результаты и считаются весьма точными для данной задачи.
+- Это может свидетельствовать о наличии нелинейных зависимостей в данных, которые успешно извлечены благодаря использованию полиномиальных признаков и гребневой регуляризации.
+- В данном контексте различие между "Полиномиальной регрессией" и "Гребневой полиномиальной регрессией" может быть незначительным, так как точность одинакова.
+
+3. Модели смогли достичь высокой точности, что может указывать на наличие явных зависимостей между признаками и целевой переменной.
+
\ No newline at end of file
diff --git a/simonov_nikita_lab_1/result/result_1.png b/simonov_nikita_lab_1/result/result_1.png
new file mode 100644
index 0000000..e669628
Binary files /dev/null and b/simonov_nikita_lab_1/result/result_1.png differ
diff --git a/simonov_nikita_lab_1/result/result_2.png b/simonov_nikita_lab_1/result/result_2.png
new file mode 100644
index 0000000..9909e57
Binary files /dev/null and b/simonov_nikita_lab_1/result/result_2.png differ
diff --git a/simonov_nikita_lab_1/result/result_3.png b/simonov_nikita_lab_1/result/result_3.png
new file mode 100644
index 0000000..797dc0f
Binary files /dev/null and b/simonov_nikita_lab_1/result/result_3.png differ
diff --git a/simonov_nikita_lab_1/result/result_4.png b/simonov_nikita_lab_1/result/result_4.png
new file mode 100644
index 0000000..63238ec
Binary files /dev/null and b/simonov_nikita_lab_1/result/result_4.png differ
diff --git a/simonov_nikita_lab_1/templates/index.html b/simonov_nikita_lab_1/templates/index.html
new file mode 100644
index 0000000..79efad3
--- /dev/null
+++ b/simonov_nikita_lab_1/templates/index.html
@@ -0,0 +1,43 @@
+
+
+
+ Модели классификации
+
+
+
+
Результаты моделей классификации
+
+
+
Модель
+
Точность
+
График
+
+ {% for model_name, results in model_results.items() %}
+
+