diff --git a/lab3/lab3.ipynb b/lab3/lab3.ipynb
index c2134e2..4db0be9 100644
--- a/lab3/lab3.ipynb
+++ b/lab3/lab3.ipynb
@@ -470,7 +470,7 @@
     "### **Оценка качества каждого набора признаков**\n",
     "\n",
     "**Предсказательная способность**  \n",
-    "Метрики: RMSE, MAE, R²\n",
+    "Метрики: RMSE, MAE, R²  \n",
     "\n",
     "Методы: Обучение модели на обучающей выборке и оценка на контрольной и тестовой выборках.\n",
     "\n",
@@ -547,7 +547,6 @@
     "val_feature_matrix = val_feature_matrix.dropna()\n",
     "test_feature_matrix = test_feature_matrix.dropna()\n",
     "\n",
-    "# Разделение данных на обучающую и тестовую выборки\n",
     "X_train = feature_matrix.drop(\"Volume\", axis=1)\n",
     "y_train = feature_matrix[\"Volume\"]\n",
     "X_val = val_feature_matrix.drop(\"Volume\", axis=1)\n",
@@ -609,19 +608,12 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "### **Вывод**\n",
+    "### **Вывод и итог**\n",
     "\n",
     "**Качество предсказаний:** Модель демонстрирует впечатляющий коэффициент детерминации R² на уровне 0.9975, что свидетельствует о ее способности эффективно объяснять изменения в распродажах. Низкие значения RMSE и MAE подтверждают, что модель предсказывает цены с высокой степенью точности.\n",
     "\n",
     "**Проблема переобучения:** Разница в значениях RMSE между обучающей и тестовой выборками относительно мала, что говорит о минимальных рисках переобучения. Тем не менее, важно оставаться внимательным и продолжать следить за этим аспектом.\n"
    ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "123"
-   ]
   }
  ],
  "metadata": {