diff --git a/Work 3/report/Work3_report.pdf b/Work 3/report/Work3_report.pdf
index dac7fc9..f8c4ea3 100644
Binary files a/Work 3/report/Work3_report.pdf and b/Work 3/report/Work3_report.pdf differ
diff --git a/Work 3/report/Work3_report.tex b/Work 3/report/Work3_report.tex
index 8ceb165..e599fc1 100644
--- a/Work 3/report/Work3_report.tex	
+++ b/Work 3/report/Work3_report.tex	
@@ -144,7 +144,7 @@
 Με 3 MF/είσοδο αυξάνεται η εκφραστικότητα, αλλά ενδέχεται να αυξηθεί το ρίσκο υπερεκπαίδευσης αν δεν υπάρξει επαρκές regularization/early stopping μέσω validation.
 
 \subsection{Διαγράμματα μάθησης}
-Παρακάτω παραθέτουμε τα διαγράμματα μάθησης.
+Στα σχήματα \ref{fig:scn1_learning_curves1} και \ref{fig:scn1_learning_curves2} παραθέτουμε τα διαγράμματα μάθησης.
 \begin{figure}[H]
 	\centering
 	\begin{subfigure}{0.48\textwidth}
@@ -155,9 +155,11 @@
 		\includegraphics[width=\linewidth]{../source/figures_scn1/model_2_learning_curves.png}
 		\caption{Learning curves — Model~2}
 	\end{subfigure}
-
-	\vspace{0.9em}
-
+	\caption{Καμπύλες μάθησης (train/validation).}
+	\label{fig:scn1_learning_curves1}
+\end{figure}
+\begin{figure}[H]
+	\centering
 	\begin{subfigure}{0.48\textwidth}
 		\includegraphics[width=\linewidth]{../source/figures_scn1/model_3_learning_curves.png}
 		\caption{Learning curves — Model~3}
@@ -166,15 +168,15 @@
 		\includegraphics[width=\linewidth]{../source/figures_scn1/model_4_learning_curves.png}
 		\caption{Learning curves — Model~4}
 	\end{subfigure}
-	\caption{Καμπύλες μάθησης (train/validation) για τα 4 μοντέλα.}
-	\label{fig:scn1_learning_curves}
+	\caption{Καμπύλες μάθησης (train/validation).}
+	\label{fig:scn1_learning_curves2}
 \end{figure}
 
 Παρατηρούμε μια σταθερή αποκλιμάκωση του train error και επιλογή εποχών μέσω του ελαχίστου validation.
 Τα μοντέλα με \emph{linear} έξοδο (ιδίως με 2 MF) συγκλίνουν ταχύτερα.
 
 \subsection{Σφάλματα πρόβλεψης (residuals)}
-Στο σχήμα \ref{fig:scn1_error} βλέπουμε τα σφάλματα πρόβλεψης.
+Στα σχήματα \ref{fig:scn1_error1} και \ref{fig:scn1_error2} βλέπουμε τα σφάλματα πρόβλεψης.
 \begin{figure}[H]
 	\centering
 	\begin{subfigure}{0.48\textwidth}
@@ -185,9 +187,12 @@
 		\includegraphics[width=\linewidth]{../source/figures_scn1/model_2_error.png}
 		\caption{Residuals — Model~2}
 	\end{subfigure}
+		\caption{Χρονοσειρές σφάλματος πρόβλεψης στα δεδομένα ελέγχου.}
+	\label{fig:scn1_error1}
+\end{figure}
 
-	\vspace{0.9em}
-
+\begin{figure}[H]
+	\centering
 	\begin{subfigure}{0.48\textwidth}
 		\includegraphics[width=\linewidth]{../source/figures_scn1/model_3_error.png}
 		\caption{Residuals — Model~3}
@@ -197,14 +202,14 @@
 		\caption{Residuals — Model~4}
 	\end{subfigure}
 	\caption{Χρονοσειρές σφάλματος πρόβλεψης στα δεδομένα ελέγχου.}
-	\label{fig:scn1_error}
+	\label{fig:scn1_error2}
 \end{figure}
 
 Από τα διαγράμματα παρατηρούμε ότι, για τα καλύτερα μοντέλα, τα σφάλματα πρόβλεψης (residuals) κατανέμονται τυχαία γύρω από το μηδέν, χωρίς να εμφανίζουν συγκεκριμένο μοτίβο.
 Αντίθετα, αν τα σφάλματα παρουσίαζαν κάποια εμφανή δομή ή συστηματική τάση, αυτό θα σήμαινε ότι το μοντέλο δεν περιγράφει επαρκώς τη σχέση εισόδου–εξόδου και πιθανόν θα χρειαζόταν μεγαλύτερη πολυπλοκότητα (π.χ. περισσότερες συναρτήσεις συμμετοχής).
 
 \subsection{Σύγκριση Actual–Predicted}
-Όσων αφορά τη σύγκριση μεταξύ του μοντέλου πρόβλεψης από την εκτέλεση του script έχουμε τα αποτελέσματα του σχήματος \ref{fig:scn1_predicted_vs_actual}:
+Όσων αφορά τη σύγκριση μεταξύ του μοντέλου πρόβλεψης από την εκτέλεση του script έχουμε τα αποτελέσματα του σχήματος \ref{fig:scn1_predicted_vs_actual1} και \ref{fig:scn1_predicted_vs_actual2}:
 \begin{figure}[H]
 	\centering
 	\begin{subfigure}{0.48\textwidth}
@@ -215,9 +220,12 @@
 		\includegraphics[width=\linewidth]{../source/figures_scn1/model_2_pred_vs_actual.png}
 		\caption{Predicted vs Actual — Model~2}
 	\end{subfigure}
+	\caption{Συσχέτιση προβλέψεων με τις πραγματικές τιμές (ideal: γραμμή $y=x$).}
+	\label{fig:scn1_predicted_vs_actual1}
+\end{figure}
 
-	\vspace{0.9em}
-
+\begin{figure}[H]
+	\centering
 	\begin{subfigure}{0.48\textwidth}
 		\includegraphics[width=\linewidth]{../source/figures_scn1/model_3_pred_vs_actual.png}
 		\caption{Predicted vs Actual — Model~3}
@@ -227,7 +235,7 @@
 		\caption{Predicted vs Actual — Model~4}
 	\end{subfigure}
 	\caption{Συσχέτιση προβλέψεων με τις πραγματικές τιμές (ideal: γραμμή $y=x$).}
-	\label{fig:scn1_predicted_vs_actual}
+	\label{fig:scn1_predicted_vs_actual2}
 \end{figure}
 
 \subsection{Συνολικά αποτελέσματα}
@@ -278,11 +286,11 @@
 
 \begin{figure}[!ht]
 	\centering
-	\begin{subfigure}{0.48\textwidth}
+	\begin{subfigure}{0.5\textwidth}
 		\includegraphics[width=\linewidth]{../source/figures_scn2/scn2_error_vs_rules.png}
 		\caption{Μέσο CV σφάλμα ως προς τον αριθμό κανόνων.}
 	\end{subfigure}\hfill
-	\begin{subfigure}{0.48\textwidth}
+	\begin{subfigure}{0.5\textwidth}
 		\includegraphics[width=\linewidth]{../source/figures_scn2/scn2_error_vs_features.png}
 		\caption{Καλύτερο CV σφάλμα ανά πλήθος χαρακτηριστικών.}
 	\end{subfigure}
@@ -295,27 +303,27 @@
 
 \subsection{Τελικό μοντέλο: καμπύλες, προβλέψεις, residuals}
 Για το τελικό μοντέλο μετά την εκπαίδευση και αξιολόγηση έχουμε:
-\begin{figure}[!ht]
+\begin{figure}[H]
 	\centering
 	\includegraphics[width=0.65\textwidth]{../source/figures_scn2/scn2_final_learning_curves.png}
 	\caption{Καμπύλες μάθησης του τελικού μοντέλου (train/validation).}
 \end{figure}
 
-\begin{figure}[!ht]
+\begin{figure}[H]
 	\centering
 	\includegraphics[width=0.65\textwidth]{../source/figures_scn2/scn2_final_pred_vs_actual.png}
 	\caption{Σύγκριση \emph{Predicted vs Actual} στο test set.}
 	\label{fig:scn2_pred_vs_actual}
 \end{figure}
 
-\begin{figure}[!ht]
+\begin{figure}[H]
 	\centering
 	\includegraphics[width=0.65\textwidth]{../source/figures_scn2/scn2_final_error_series.png}
 	\caption{Residuals (σειρά σφάλματος) στο test set.}
 \end{figure}
 
 \subsection{Ενδεικτικές συναρτήσεις συμμετοχής (subset)}
-\begin{figure}[!ht]
+\begin{figure}[H]
 	\centering
 	\includegraphics[width=0.85\textwidth]{../source/figures_scn2/scn2_final_mfs_subset.png}
 	\caption{Ενδεικτικές MF για επιλεγμένες εισόδους πριν/μετά την εκπαίδευση.}
@@ -323,7 +331,7 @@
 
 \subsection{Δείκτες απόδοσης τελικού μοντέλου (Test set)}
 Στην εκτέλεση που παραθέτουμε, το τελικό μοντέλο προέκυψε με \emph{12 κανόνες} και η επίδοση στο test είναι:
-\begin{table}[!ht]
+\begin{table}[H]
 	\centering
 	\begin{tabular}{lcc}
 		\textbf{Metric} & \textbf{Τιμή} \\