diff --git a/Restaurant/Natalia/__init__.py b/Restaurant/Natalia/__init__.py
index 9de6932..55389eb 100644
--- a/Restaurant/Natalia/__init__.py
+++ b/Restaurant/Natalia/__init__.py
@@ -29,7 +29,7 @@ def main():
 
     #podział danych na zestaw treningowy i testowy; 70% trening 30% test
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,
-                                                        random_state=1)  # 70% training and 30% test
+                                                        random_state=1)
 
     ###############################
     # stworzenie -obiektu- drzewa Decision Tree classifer
@@ -55,6 +55,10 @@ def main():
     graph.write_png('polecanie_1.png')
     Image(graph.create_png())
 
+    # zapisanie modelu danych do pliku
+    file_name = 'final_model.sav'
+    joblib.dump(clf, file_name)
+
     # ************************************************************
     # stworzenie -obiektu- drzewa Decision Tree classifer z kryterium entropii
     clf = DecisionTreeClassifier(criterion="entropy")
@@ -78,9 +82,7 @@ def main():
     graph.write_png('polecanie_2_entropia.png')
     Image(graph.create_png())
 
-    #zapisanie modelu danych do pliku
-    file_name = 'final_model.sav'
-    joblib.dump(clf, file_name)
+
 
     return
 
diff --git a/Restaurant/Natalia/final_model.sav b/Restaurant/Natalia/final_model.sav
index 9402e9b..5bd3602 100644
Binary files a/Restaurant/Natalia/final_model.sav and b/Restaurant/Natalia/final_model.sav differ
diff --git a/Restaurant/Natalia/polecanie_1.png b/Restaurant/Natalia/polecanie_1.png
index fbca68d..c7b1f9a 100644
Binary files a/Restaurant/Natalia/polecanie_1.png and b/Restaurant/Natalia/polecanie_1.png differ
diff --git a/Restaurant/main.py b/Restaurant/main.py
index c9ab259..d19eb55 100644
--- a/Restaurant/main.py
+++ b/Restaurant/main.py
@@ -613,7 +613,7 @@ def Tree_natalia(d):
         plate3 = Plate(prefer3, "Natalia/danie3.png")
 
         client1 = Client(25, 1, 45, 1)
-        client2 = Client(41, 0, 22, 4)
+        client2 = Client(70, 0, 22, 4)
         client3 = Client(10, 0, 32, 8)
 
         client1.takePlateAndEat(plate1)
@@ -622,10 +622,8 @@ def Tree_natalia(d):
 
         bot.goByAStar((tables[1].pos[0] + 1, tables[1].pos[1]))
         opinion = show_predict(prefer1, client1, loaded_model)
-
         bot.goByAStar((tables[3].pos[0] + 1, tables[3].pos[1]))
         opinion = show_predict(prefer2, client2, loaded_model)
-
         bot.goByAStar((tables[5].pos[0] + 1, tables[5].pos[1]))
         opinion = show_predict(prefer3, client3, loaded_model)
 
diff --git a/polecanie_dań_Natalia_Plitta.md b/polecanie_dań_Natalia_Plitta.md
index 3eae815..80bac45 100644
--- a/polecanie_dań_Natalia_Plitta.md
+++ b/polecanie_dań_Natalia_Plitta.md
@@ -28,7 +28,7 @@ Na początku dane są pobierane z pliku "Nowy.csv" gdzie zostało przygotowanych
 ```
 
 #### Dane: ####
-Aby utworzyć model stworzyłam 121 wierszy z 6 kolejnych liczb oznaczających:  
+Aby utworzyć model, stworzyłam 121 wierszy z 6 kolejnych liczb oznaczających:  
 
 - wiek klienta (7 - 80);
 - zawartość tłuszczu w daniu (0 - 16);
@@ -44,17 +44,17 @@ Aby utworzyć model stworzyłam 121 wierszy z 6 kolejnych liczb oznaczających:
     6. hiszpańska zapiekanka ziemniaczana
     7. pieczone warzywa
 
-Poszczególne liczby są oddzielone przecinkami, a wiersze znakiem nowej linii, plik z rozszerzeniem .csv.
+Poszczególne liczby są oddzielone przecinkami, a wiersze znakiem nowej linii. Dane znajdują się w pliku z rozszerzeniem .cvs
 
 #### Drzewa decyzyjne: ####
 
-Następnie następuje podział danych na zestaw treningowy i testowy. Zestaw treningowy to 70% danych, testowy 30%. X to zestaw cech, Y zestaw wyników - tutaj etykieta "number".
+Następnie wykonany zostaje podział danych na zestaw treningowy (70%) i testowy (30%). X to zestaw cech, Y zestaw wyników - tutaj etykieta "number".
 ```python
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,
                                                         random_state=1)
 ```
 
-Do stworzenia modelu drzew została wykorzystana funkcja **DecisionTreeClassifier.** Pierwsze drzewo przyjmuje jako kryterium indeks Gini (domyślny), drugie drzewo entropię.
+Do stworzenia modelu drzew została wykorzystana funkcja **DecisionTreeClassifier.** Pierwsze przyjmuje jako kryterium indeks Gini (domyślny), drugie entropię.
 ```python
    clf = DecisionTreeClassifier()
    clf = DecisionTreeClassifier(criterion="entropy")