diff --git a/lab_2/lab2.ipynb b/lab_2/lab2.ipynb
index 940ee51..6395323 100644
--- a/lab_2/lab2.ipynb
+++ b/lab_2/lab2.ipynb
@@ -92,9 +92,6 @@
     "import matplotlib.pyplot as plt\n",
     "import seaborn as sns\n",
     "\n",
-    "# Выбираем числовые столбцы\n",
-    "numeric_columns = ['relative_velocity', 'miss_distance', 'absolute_magnitude']\n",
-    "\n",
     "# Выбираем столбцы для анализа\n",
     "columns_to_check = ['relative_velocity', 'miss_distance', 'absolute_magnitude']\n",
     "\n",
@@ -123,7 +120,7 @@
     "    \n",
     "# Создаем гистограммы\n",
     "plt.figure(figsize=(15, 10))\n",
-    "for i, col in enumerate(numeric_columns, 1):\n",
+    "for i, col in enumerate(columns_to_check, 1):\n",
     "    plt.subplot(2, 3, i)\n",
     "    sns.histplot(df[col], kde=True)\n",
     "    plt.title(f'Histogram of {col}')\n",
@@ -193,6 +190,7 @@
     "# Выводим количество выбросов для каждого столбца\n",
     "for col, count in outliers_count.items():\n",
     "    print(f\"Количество выбросов в столбце '{col}': {count}\")\n",
+    "    \n",
     "# Выбираем столбцы для очистки\n",
     "columns_to_clean = ['relative_velocity', 'absolute_magnitude']\n",
     "\n",
@@ -308,9 +306,6 @@
     "import pandas as pd\n",
     "from sklearn.model_selection import train_test_split\n",
     "\n",
-    "# Предположим, что ваш датасет называется df\n",
-    "# df = pd.read_csv('your_dataset.csv')  # Загрузите ваш датасет, если он в формате CSV\n",
-    "\n",
     "# Разделение на признаки (X) и целевую переменную (y)\n",
     "# Предположим, что 'hazardous' - это целевая переменная\n",
     "X = df.drop('hazardous', axis=1)\n",
@@ -362,7 +357,6 @@
     "from sklearn.model_selection import train_test_split\n",
     "\n",
     "# Разделение на признаки (X) и целевую переменную (y)\n",
-    "# Предположим, что 'hazardous' - это целевая переменная\n",
     "X = df.drop('hazardous', axis=1)\n",
     "y = df['hazardous']\n",
     "\n",
@@ -445,12 +439,12 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Проверяем на выбросы"
+    "Проверяем на наличие выбросов"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 27,
+   "execution_count": 1,
    "metadata": {},
    "outputs": [
     {
@@ -480,9 +474,6 @@
     "\n",
     "df = pd.read_csv(\"..//static//csv//diabetes.csv\")\n",
     "\n",
-    "# Выбираем числовые столбцы\n",
-    "numeric_columns = ['Pregnancies', 'Glucose', 'BloodPressure']\n",
-    "\n",
     "# Выбираем столбцы для анализа\n",
     "columns_to_check = ['Pregnancies', 'Glucose', 'BloodPressure']\n",
     "\n",
@@ -511,7 +502,7 @@
     "    \n",
     "# Создаем гистограммы\n",
     "plt.figure(figsize=(15, 10))\n",
-    "for i, col in enumerate(numeric_columns, 1):\n",
+    "for i, col in enumerate(columns_to_check, 1):\n",
     "    plt.subplot(2, 3, i)\n",
     "    sns.histplot(df[col], kde=True)\n",
     "    plt.title(f'Histogram of {col}')\n",
@@ -528,7 +519,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 33,
+   "execution_count": 2,
    "metadata": {},
    "outputs": [
     {
@@ -580,9 +571,6 @@
     "\n",
     "df = df_cleaned\n",
     "\n",
-    "# Выбираем столбцы для анализа\n",
-    "columns_to_check = ['BloodPressure']\n",
-    "\n",
     "# Функция для подсчета выбросов\n",
     "def count_outliers(df, columns):\n",
     "    outliers_count = {}\n",
@@ -600,7 +588,7 @@
     "    return outliers_count\n",
     "\n",
     "# Подсчитываем выбросы\n",
-    "outliers_count = count_outliers(df, columns_to_check)\n",
+    "outliers_count = count_outliers(df, columns_to_clean)\n",
     "\n",
     "# Выводим количество выбросов для каждого столбца\n",
     "for col, count in outliers_count.items():\n",
@@ -704,6 +692,13 @@
     "print(\"Размер тестовой выборки:\", X_test.shape[0])"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Разбивка на выборки сделана, проведем проверку на сбалансированность выборок"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 42,
@@ -808,9 +803,6 @@
     "from sklearn.model_selection import train_test_split\n",
     "from imblearn.over_sampling import SMOTE\n",
     "\n",
-    "# Предположим, что ваш датасет уже загружен в DataFrame df\n",
-    "# df = pd.read_csv('your_dataset.csv')\n",
-    "\n",
     "# Разделение на признаки (X) и целевую переменную (y)\n",
     "X = df.drop('Outcome', axis=1)  # Признаки\n",
     "y = df['Outcome']  # Целевая переменная\n",
@@ -1186,7 +1178,6 @@
     "from sklearn.model_selection import train_test_split\n",
     "\n",
     "# Разделение на признаки (X) и целевую переменную (y)\n",
-    "# Предположим, что 'Total' - это целевая переменная\n",
     "X = df.drop(columns=['Total'])\n",
     "y = df['Total']\n",
     "\n",
@@ -1253,7 +1244,6 @@
     "from sklearn.model_selection import train_test_split\n",
     "\n",
     "# Разделение на признаки (X) и целевую переменную (y)\n",
-    "# Предположим, что 'Total' - это целевая переменная\n",
     "X = df.drop(columns=['Total'])\n",
     "y = df['Total']\n",
     "\n",