diff --git a/labworks/LW4/report.md b/labworks/LW4/report.md
index 3682bfe..ea57542 100644
--- a/labworks/LW4/report.md
+++ b/labworks/LW4/report.md
@@ -7,8 +7,6 @@
 
 ---
 
-## ЗАДАНИЕ 1:
-
 ### 1) В среде Google Colab создали новый блокнот (notebook). Импортировали необходимые для работы библиотеки модули.
 ```python
 # импорт модулей
@@ -327,10 +325,9 @@ AUC ROC: 0.9159089215999999
 ### 11) Сделали выводы по результатам применения рекуррентной нейронной сети для решения задачи определения тональности текста.
 
 Таблица 1:
-| Модель          | Количество настраиваемых параметров | Количество эпох обучения | Качество классификации тестовой выборки |
-|-----------------|-------------------------------------|--------------------------|-----------------------------------------|
-| Рекуррентная    | 353089                              | 3                        | accuracy:0.85 ; loss:0.5214 ;           |
-|                 |                                     |                          | AUC ROC:0.9159                          |
+| Модель        | Количество настраиваемых параметров | Количество эпох обучения | Качество классификации тестовой выборки |
+|---------------|-------------------------------------|--------------------------|-----------------------------------------|
+| Рекуррентная  | 353089                              | 3                        |accuracy:0.85;loss:0.5214;AUC ROC:0.9159 |
 
 ### По результатам таблицы можно сделать вывод, что рекуррентная НС хорошо справляется с задачей определения тональности текста. Показатель accuracy = 0.85 превышает требуемый порог 0.8. Значение AUC ROC = 0.9159 (> 0.9) говорит о высокой способности модели различать два класса (положительные и отрицательные отзывы)