摘要
本发明公开一种基于多模态信息融合的酶最佳催化温度预测方法，涉及生物酶检测技术领域。本方发明方法首先进行温度分层的训练‑测试集划分，然后对训练集采用五种重采样策略之一（RO、SMOTER、GN、WERCS、WERCS‑GN）进行数据增强，随后通过Optuna基于平均R2最大化优化XGBoost超参数。此外，在确定最优超参数后，基于分层自举子集重新训练多个XGBoost模型，并通过递归装袋集成进行聚合，该集成方法根据验证性能对基础学习器进行递归加权。每种策略生成的模型通过五折交叉验证进行评估以选择最佳重采样方法，最终模型在最佳配置下基于完整开发集进行训练。最后，对表现最优的模型在保留的测试集上进行评估，并导出部署。
