diff --git a/ilbekov_dmitriy_lab_2/README.md b/ilbekov_dmitriy_lab_2/README.md
new file mode 100644
index 0000000..a688c4e
--- /dev/null
+++ b/ilbekov_dmitriy_lab_2/README.md
@@ -0,0 +1,23 @@
+# Лабораторная работа 2
+### Вариант 10
+
+### Задание: 
+- Выполнить ранжирование  признаков  с  помощью  указанных  по варианту моделей
+### Модели:
+- Линейная регрессия (LinearRegression)
+- Лассо (Lasso)
+- Рекурсивное сокращение признаков (Recursive Feature Elimination –RFE)
+### Запуск
+- Запустить файл lab2.py
+
+### Технологии
+- Язык - 'Python'
+- Библиотеки sklearn, numpy
+
+### Что делает
+Программа выполняет ранжирование признаков набора данных с помощью моделей, указанных в задании варианта и выводит в консоль результаты ранжирования и топ 4 самых выжных признака
+
+### Пример работы
+Пример работы представлен в виде скриншота:
+
+![Graphics](console.jpg)
\ No newline at end of file
diff --git a/ilbekov_dmitriy_lab_2/console.jpg b/ilbekov_dmitriy_lab_2/console.jpg
new file mode 100644
index 0000000..b1308b7
Binary files /dev/null and b/ilbekov_dmitriy_lab_2/console.jpg differ
diff --git a/ilbekov_dmitriy_lab_2/lab2.py b/ilbekov_dmitriy_lab_2/lab2.py
new file mode 100644
index 0000000..30654d7
--- /dev/null
+++ b/ilbekov_dmitriy_lab_2/lab2.py
@@ -0,0 +1,80 @@
+from sklearn.linear_model import LinearRegression, Lasso
+from sklearn.feature_selection import RFE
+from sklearn.preprocessing import MinMaxScaler
+import numpy as np
+
+
+# Генерация синтетических данных
+def create_data():
+    np.random.seed(0)
+    size = 750
+    X = np.random.uniform(0, 1, (size, 14))
+    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))
+    X[:, 10:] = X[:, :4] + np.random.normal(0, .025, (size, 4))
+    return X, Y
+
+
+# Нормализация значений рангов
+def rank_to_dict(ranks):
+    ranks = np.abs(ranks)
+    names = ["x%s" % i for i in range(1, 15)]
+    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))
+
+
+# Вывод отсортированных признаков по важности в табличном виде
+def print_sorted_features_by_models(ranks_by_model: {}):
+    sorted_ranks = sorted(ranks_by_model.items(), key=lambda item: sum(item[1].values()), reverse=True)
+
+    print("{:<40}".format(""), end="")
+    for i in range(1, 15):
+        print("{:<10}".format(i), end="")
+    print()
+
+    for model, rank_dict in sorted_ranks:
+        sorted_features = sorted(rank_dict.items(), key=lambda item: item[1], reverse=True)
+        print("{:<40}".format(model), end="")
+        for feature, rank in sorted_features:
+            print("{:<10}".format(f"{feature}: {rank}"), end="")
+        print()
+    print()
+
+
+# Получение средних значений моделей и ТОП 4 самых важных признака
+def average_values(ranks_by_model: {}):
+    mean = {}
+    for model, rank_dict in ranks_by_model.items():
+        for feature, rank in rank_dict.items():
+            if feature not in mean:
+                mean[feature] = 0
+            mean[feature] += rank
+    mean = {feature: round(rank / len(ranks_by_model), 2) for feature, rank in mean.items()}
+    mean_sorted = sorted(mean.items(), key=lambda item: item[1], reverse=True)
+    print("Средние значения")
+    print(mean_sorted)
+    print("\nТОП 4 самых важных признака по среднему значению: ")
+    for feature, rank in mean_sorted[:4]:
+        print('Признак - {0}, значение важности - {1}'.format(feature, rank))
+
+
+X, Y = create_data()
+# ЛИНЕЙНАЯ РЕГРЕССИЯ
+linear_regression = LinearRegression()
+linear_regression.fit(X, Y)
+# ЛАССО
+lasso = Lasso(alpha=.01)
+lasso.fit(X, Y)
+# РЕКУРСИВНОЕ СОКРАЩЕНИЕ ПРИЗНАКОВ
+rfe = RFE(linear_regression)
+rfe.fit(X, Y)
+
+ranks_by_model = {
+    "Линейная регрессия": rank_to_dict(linear_regression.coef_),
+    "Лассо": rank_to_dict(lasso.coef_),
+    "РЕКУРСИВНОЕ СОКРАЩЕНИЕ ПРИЗНАКОВ (RFE)": rank_to_dict(rfe.ranking_),
+}
+print_sorted_features_by_models(ranks_by_model)
+average_values(ranks_by_model)