diff --git a/labworks/LW4/report.md b/labworks/LW4/report.md
index a326a33..0f24adb 100644
--- a/labworks/LW4/report.md
+++ b/labworks/LW4/report.md
@@ -233,6 +233,7 @@ print("Размер тестовых меток y_test:", y_test.shape)
  [  1 146   6 ...  15  12  16]
  [  0   0   0 ... 141  17 134]
  [  1  12   9 ... 320   7  51]
+
 Размер обучающего множества X_train: (25000, 500)
 Размер обучающих меток y_train: (25000,)
 Размер тестового множества X_test: (25000, 500)
@@ -242,25 +243,121 @@ print("Размер тестовых меток y_test:", y_test.shape)
 ### Пункт №9. Реализация модели рекуррентной нейронной сети.
 
 ```python
+from tensorflow.keras.models import Sequential
+from tensorflow.keras.layers import Embedding, LSTM, Dropout, Dense
+
+vocabulary_size = 5000 
+embedding_dim = 32    
+lstm_units = 64       
+dropout_rate = 0.5
+
+model = Sequential()
+model.add(Embedding(
+    input_dim=vocabulary_size + index_from,  
+    output_dim=embedding_dim,
+    input_length=max_words
+))
+model.add(LSTM(lstm_units))
+model.add(Dropout(dropout_rate))
+model.add(Dense(1, activation='sigmoid'))
+
+model.compile(
+    loss='binary_crossentropy',
+    optimizer='adam',
+    metrics=['accuracy']
+)
 
+model.build(input_shape=(None, max_words))
+model.summary()
+
+# Обучение модели
+history = model.fit(
+    X_train,
+    y_train,
+    epochs=5,
+    batch_size=64,
+    validation_split=0.2,
+    verbose=1
+)
 ```
 
 **Результат выполнения:**
-```
+
+| Layer (type)          | Output Shape      | Param #   |
+|-----------------------|-------------------|-----------|
+| embedding_3 (Embedding) | (None, 500, 32) | 160,096   |
+| lstm_3 (LSTM)         | (None, 64)        | 24,832    |
+| dropout_3 (Dropout)   | (None, 64)        | 0         |
+| dense_3 (Dense)       | (None, 1)         | 65        |
+
+**Total params:** 184,993 (722.63 KB)  
+**Trainable params:** 184,993 (722.63 KB)  
+**Non-trainable params:** 0 (0.00 B)
 
+```
+Качество обучения по эпохам
+Эпоха 1: accuracy = 0.9302, val_accuracy = 0.8686
+Эпоха 2: accuracy = 0.9298, val_accuracy = 0.8416
+Эпоха 3: accuracy = 0.9351, val_accuracy = 0.8576
+Эпоха 4: accuracy = 0.9311, val_accuracy = 0.8678
+Эпоха 5: accuracy = 0.9522, val_accuracy = 0.8670
+
+Добились качества обученияпо метрике accuracyне менее 0.8.
 ```
 
-### Пункт №10. Оценка качества обучения на тестовых данных.
+### Пункт №10.1 Оценка качества обучения на тестовых данных.
 
 ```python
+test_loss, test_accuracy = model.evaluate(X_test, y_test, verbose=0)
 
+print("Качество классификации на тестовой выборке")
+print(f"Test accuracy: {test_accuracy:.4f}")
 ```
 
 **Результат выполнения:**
 ```
+Качество классификации на тестовой выборке
+Test accuracy: 0.8607
+```
+
+### Пункт №10.2 Оценка качества обучения на тестовых данных.
 
+```python
+y_score = model.predict(X_test)
+y_pred = [1 if y_score[i,0]>=0.5 else 0 for i in range(len(y_score))]
+from sklearn.metrics import classification_report
+print(classification_report(y_test, y_pred, labels = [0, 1], target_names=['Negative', 'Positive']))
 ```
 
+**Результат выполнения:**
+```
+    Negative       0.84      0.89      0.86     12500
+    Positive       0.88      0.83      0.86     12500
+
+    accuracy                           0.86     25000
+   macro avg       0.86      0.86      0.86     25000
+weighted avg       0.86      0.86      0.86     25000
+```
+
+### Пункт №10.3 Оценка качества обучения на тестовых данных.
+
+```python
+from sklearn.metrics import roc_curve, auc
+import matplotlib.pyplot as plt
+fpr, tpr, thresholds = roc_curve(y_test, y_score)
+plt.plot(fpr, tpr)
+plt.grid()
+plt.xlabel('False Positive Rate')
+plt.ylabel('True Positive Rate')
+plt.title('ROC')
+plt.show()
+print('Area under ROC is', auc(fpr, tpr))
+```
+
+!(1.png)
+
+Area under ROC is 0.9304564479999999
+
 ### Пункт №11. Выводы по результатам применения рекуррентной нейронной сети.
 
 **Выводы по лабораторной работе:**