目标。我们探索机器学习技术，以预测星系之间的星形量，恒星质量和金属性，红移范围为0.01至0.3。方法。利用CATBOOST和深度学习体系结构，我们利用了来自SDSS的多播放和红外光度数据，并在SDSS MPA-JHU DR8目录上进行了跨训练。结果。我们的研究证明了机器学习的潜力，即仅从光度数据中准确预测星系特性。我们通过使用CATBOOST模型专门实现了最小化的根平方错误。对于恒星形成率的基础，我们达到了RMSE SFR = 0的值。336 dex，而对于恒星质量预测，将误差降低为RMSE SM = 0。206 dex。此外，我们的模型得出RMSE金属性= 0的金属性预测。097 DEX。 结论。 这些发现强调了自动化方法在有效估计多波长天文学数据的指数增长的情况下有效估计关键星系的重要性。 未来的研究可能会集中于精炼机器学习模型和扩展数据集，以实现更准确的预测。097 DEX。结论。这些发现强调了自动化方法在有效估计多波长天文学数据的指数增长的情况下有效估计关键星系的重要性。未来的研究可能会集中于精炼机器学习模型和扩展数据集，以实现更准确的预测。