diff --git a/tsyppo_anton_lab_2/README.md b/tsyppo_anton_lab_2/README.md
new file mode 100644
index 0000000..0b6acf4
--- /dev/null
+++ b/tsyppo_anton_lab_2/README.md
@@ -0,0 +1,73 @@
+# Лабораторная работа №2: Ранжирование признаков
+## Задание. Вариант 8
+Всего вариантов 20, мой вариант 28, поэтому взял 8 вариант
+
+Задание: 
+Используя код из [1](пункт «Решение задачи ранжирования признаков», стр.  205), выполните ранжирование признаков с 
+помощью указанных по варианту моделей.  Отобразите получившиеся значения\оценки каждого признака каждым методом\моделью 
+и среднюю оценку.  Проведите анализ получившихся результатов.  Какие четыре признака оказались самыми важными по 
+среднему значению?  (Названия\индексы признаков и будут ответом на задание).
+
+8.Лассо (Lasso), Рекурсивное сокращение признаков (Recursive Feature Elimination –RFE), Сокращение признаков 
+Случайными деревьями (Random Forest Regressor)
+
+## Описание программы
+
+Программа выполняет ранжирование признаков с использованием трех методов: Lasso (лассо), Рекурсивное сокращение 
+признаков (RFE), и Сокращение признаков Случайными деревьями (Random Forest Regressor). Вводится набор случайных данных, 
+содержащих 10 признаков, и генерируется целевая переменная на основе линейной комбинации этих признаков. 
+В конце выводится 4 самых важных признака. 
+
+
+## Как запустить лабораторную работу
+
+1. Установите необходимые библиотеки:
+
+    ```bash
+    pip install numpy pandas scikit-learn
+    ```
+
+2. Запустите скрипт:
+
+    ```bash
+    python main.py
+    ```
+
+## Использованные технологии
+
+- Python
+- NumPy
+- Pandas
+- scikit-learn
+
+## Что программа делает
+
+Программа выполняет ранжирование признаков в данных с использованием трех различных методов:
+
+1. Lasso (лассо): стремится уменьшить веса некоторых признаков до нуля, что может служить признаком их неважности.
+2. Рекурсивное сокращение признаков (RFE): удаляет наименее значимые признаки на каждом шаге, создавая ранжированный 
+список признаков.
+3. Сокращение признаков Случайными деревьями (Random Forest Regressor): оценивает важность каждого признака на том, 
+как часто признак используется для разделения данных в деревьях случайного леса.
+4. Средняя оценка: Для каждого признака вычисляется среднее значение его оценок важности по трем методам. 
+Это создает обобщенную меру важности для каждого признака.
+
+Итоговый результат представлен в виде таблицы, где для каждого признака указаны его оценки важности по каждому методу, 
+а также средняя оценка важности. Программа также выводит четыре признака с наивысшими средними оценками, считая их 
+наиболее важными.
+
+## Тесты
+
+![Графики моделей](img.png)
+
+## Вывод
+
+_Анализ оценок признаков, проведенный с использованием трех различных методов ранжирования, выявил следующие ключевые 
+выводы:
+Feature_8 оценен как наиболее важный признак по всем трем методам. Feature_1, Feature_7 и Feature_3 также считаются 
+важными, занимая второе, третье и четвертое место соответственно. Оценки признаков варьируются в зависимости от метода, 
+что подчеркивает важность использования нескольких подходов для достоверного определения важности признаков. Важность 
+признаков оценивается как среднее значение оценок по трем методам._
+
+---
+
diff --git a/tsyppo_anton_lab_2/img.png b/tsyppo_anton_lab_2/img.png
new file mode 100644
index 0000000..3de9a06
Binary files /dev/null and b/tsyppo_anton_lab_2/img.png differ
diff --git a/tsyppo_anton_lab_2/main.py b/tsyppo_anton_lab_2/main.py
new file mode 100644
index 0000000..3079d61
--- /dev/null
+++ b/tsyppo_anton_lab_2/main.py
@@ -0,0 +1,63 @@
+import numpy as np
+import pandas as pd
+from sklearn.linear_model import Lasso
+from sklearn.feature_selection import RFE
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.preprocessing import StandardScaler
+
+# Создаём случайные данные
+np.random.seed(42)
+n_samples = 100
+n_features = 10
+X = np.random.rand(n_samples, n_features)
+
+true_coefficients = np.array([3, -1, 2, 0, 1, 2, -3, 4, 0, -2])
+noise = np.random.normal(0, 0.1, n_samples)
+y = np.dot(X, true_coefficients) + noise
+
+# Нормализуем данные
+scaler = StandardScaler()
+X_normalized = scaler.fit_transform(X)
+
+# Преобразуем данные в DataFrame
+columns = [f'Feature_{i}' for i in range(1, n_features + 1)]
+df = pd.DataFrame(X_normalized, columns=columns)
+df['Target'] = y
+
+# 1. Лассо (Lasso)
+lasso = Lasso(alpha=0.1)
+lasso.fit(X_normalized, y)
+lasso_coefs = np.abs(lasso.coef_)
+
+# 2. Рекурсивное сокращение признаков (RFE)
+rfe = RFE(estimator=RandomForestRegressor(), n_features_to_select=1)
+rfe.fit(X_normalized, y)
+rfe_ranks = rfe.ranking_
+
+# 3. Сокращение признаков Случайными деревьями (Random Forest Regressor)
+rf = RandomForestRegressor()
+rf.fit(X_normalized, y)
+rf_importances = rf.feature_importances_
+
+# 4. Средняя оценка
+average_scores = (lasso_coefs + (1 / rfe_ranks) + rf_importances) / 3
+
+# Масштабируем средние оценки так, чтобы они лежали в диапазоне от 0 до 1
+scaled_average_scores = (average_scores - np.min(average_scores)) / (np.max(average_scores) - np.min(average_scores))
+
+# Создаем DataFrame для анализа результатов
+results_df = pd.DataFrame({
+    'Lasso': np.round(lasso_coefs, 2),
+    'RFE Rank': np.round(1 / rfe_ranks, 2),
+    'Random Forest': np.round(rf_importances, 2),
+    'Average': np.round(scaled_average_scores, 2)
+}, index=columns)
+
+# Выводим результаты
+print("Оценки признаков:")
+print(results_df)
+
+# Четыре признака с самыми высокими средними оценками
+top_features = results_df.nlargest(4, 'Average').index
+print("\nСамые важные признаки:")
+print(top_features)