diff --git a/martysheva_tamara_lab_2/README.md b/martysheva_tamara_lab_2/README.md
new file mode 100644
index 0000000..52d96bd
--- /dev/null
+++ b/martysheva_tamara_lab_2/README.md
@@ -0,0 +1,49 @@
+# Лабораторная работа 2. Ранжирование признаков
+### Вариант № 18
+Используя код из пункта «Решение задачи ранжирования признаков», 
+выполните ранжирование признаков с помощью указанных по
+варианту моделей. Отобразите получившиеся оценки каждого
+признака каждой 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). 
+
+**Модели**:
+* Лассо (Lasso)
+* Рекурсивное сокращение признаков (Recursive Feature Elimination – RFE)
+* Линейная корреляция (f_regression)
+***
+## *Как запустить лабораторную работу:*
+Чтобы запустить программу, открываем файл lab2 в PyCharm и нажимаем на зеленый треугольник в правом верхнем углу.
+***
+## *Использованные технологии:*
+**Scikit-learn** - один из наиболее широко используемых пакетов Python для Data Science и Machine Learning. Он позволяет выполнять множество операций и предоставляет множество алгоритмов.
+
+**NumPy** — это фундаментальный пакет для научных вычислений на Python.
+
+**Pandas** — это библиотека с открытым исходным кодом, предоставляющая высокопроизводительные, простые в использовании структуры данных и инструменты анализа данных для языка программирования Python.
+
+**Operator** — предоставляет функции для встроенных операторов и функции для создания вызываемых объектов, которые извлекают элементы, атрибуты и методы вызова.
+***
+## *Что делает ЛР:*
+В данной работе анализируется работа нескольких моделей, способных оценить важность признаков 
+в регрессионной проблеме Фридмана. Генерируются исходные данные, в которых признаки x1-x5 
+являются влиятельными, а признаки x11-x14 зависимыми от других признаков. Далее три модели (по варианту) 
+ранжируют признаки по их значимости.
+
+**Результатом работы программы** являются: вывод оценок важности признаков по моделям и вывод средних оценок важности признаков (в консоли).
+***
+## *Пример выходных данных:*
+>Вывод в консоли:
+
+![](https://sun9-4.userapi.com/impg/mWP_l-9Hew6DDSzL-XDoVtLC6x9V3smayeyJGw/0w0t35B3Bm0.jpg?size=604x266&quality=96&sign=5e50ac631ba8bb78ad8796d1e030a579&type=album)
+![](https://sun9-74.userapi.com/impg/CgXruyB6e9nbe3LHxemcSRquslcD-M6YMzWmRA/WJ5QF0yTkBg.jpg?size=801x329&quality=96&sign=b11fa4cc83bf7a82ec6d280994193488&type=album)
+***
+**Вывод**: 
+*Модель Лассо* отобрала признаки x1-x5 (кроме x3) как значимые параметры, а оценки всех остальных признаков приравняла к нулю. Ранжирование получилось весьма точным (включился бы x3 - было бы совсем точно), а зависимые признаки не были отмечены важными ни в какой степени.
+
+*Модель Рекурсивного сокращения признаков* сработала лучше Лассо: влиятельные признаки (x1-x5) и 2 из 4 зависимых признаков (x11 и x13) - обозначила точно значимыми. Оставшиеся зависимые признаки (x12 и x14) оценила чуть менее, но важными. 
+
+*Модель Линейной корреляции* из значимых (x1-x5) выделила важным только x4, признаки x1 и x2 слабо важными, а x5 и x3 незначимыми. Среди зависимых признаков (x11-x14) важным оказался x14.
+
+Cамыми важными признаками по среднему значению оказались: x4, x2, x1, x5.
diff --git a/martysheva_tamara_lab_2/lab2.py b/martysheva_tamara_lab_2/lab2.py
new file mode 100644
index 0000000..5cbe201
--- /dev/null
+++ b/martysheva_tamara_lab_2/lab2.py
@@ -0,0 +1,71 @@
+from sklearn.linear_model import Lasso, LinearRegression
+from sklearn.feature_selection import RFE, f_regression
+from sklearn.preprocessing import MinMaxScaler
+import numpy as np
+import pandas as pd
+from operator import itemgetter
+
+#Генерируем исходные данные
+np.random.seed(0)
+size = 750
+X = np.random.uniform(0, 1, (size, 14))
+#Задаем функцию-выход: регрессионную проблему Фридмана
+Y = (10 * np.sin(np.pi*X[:,0]*X[:,1]) + 20*(X[:,2] - .5)**2 + 10*X[:,3] + 5*X[:,4]**5 + np.random.normal(0,1))
+#Добавляем зависимость признаков
+X[:,10:] = X[:,:4] + np.random.normal(0, .025, (size,4))
+
+#Создаем и тренируем модели
+lasso = Lasso(alpha=.05)
+lasso.fit(X, Y)
+#
+lr = LinearRegression()
+lr.fit(X, Y)
+rfe = RFE(lr)
+rfe.fit(X, Y)
+#
+f, pval = f_regression(X, Y, center=True)
+
+# Функция для преобразования оценок признаков в словарь
+def rank_to_dict(ranks, names):
+    ranks = np.abs(ranks)
+    minmax = MinMaxScaler()
+    ranks = minmax.fit_transform(np.array(ranks).reshape(14, 1)).ravel()
+    ranks = map(lambda x: round(x, 2), ranks)
+    return dict(zip(names, ranks))
+
+# Функция нахождения средних оценок по признакам
+def average_ranks(ranks):
+    avg_ranks = {}
+    for key, value in ranks.items():
+        for item in value.items():
+            if (item[0] not in avg_ranks):
+                avg_ranks[item[0]] = 0
+                avg_ranks[item[0]] += item[1]
+
+    for key, value in avg_ranks.items():
+        res = value / len(ranks)
+        avg_ranks[key] = round(res, 2)
+    avg_ranks = sorted(avg_ranks.items(), key=itemgetter(1), reverse=True)
+    return avg_ranks
+
+#Создаем список с именами признаков
+names = ["x%s" % i for i in range(1, 15)]
+ranks = dict()
+#Применяем функцию к моделям
+ranks["Lasso"] = rank_to_dict(lasso.coef_, names)
+ranks["RFE"] = rank_to_dict(rfe.ranking_, names)
+ranks["F_reg"] = rank_to_dict(f, names)
+#Т.к. в RFE ранг "1" = признак важный, а если больше "1" - то менее важный
+#поменяем оценки на противоположные
+record_key = 'RFE'
+for key, value in ranks[record_key].items():
+    ranks[record_key][key] = 1 - value
+
+# Вывод оценок каждого признака
+table_ranks = pd.DataFrame.from_dict(ranks, orient='columns')
+print("Оценки важности признаков по моделям: Лассо, Рекурсивное сокращение признаков, Линейная корреляция:")
+print(table_ranks)
+# Вывод средних оценок каждого признака
+table_avg_ranks = pd.DataFrame.from_records(average_ranks(ranks))
+print("Средние оценки важности признаков")
+print(table_avg_ranks.to_string(index=False, header=False))