自旋霍尔电导（SHC）和反常霍尔电导（AHC）是导体材料的一大重要性质,与普通的霍尔效应不同,具有较高反常霍尔电导的材料可以应用于制作低能耗器件,减少计算机在工作时的发热情况,具有较高自旋霍尔电导的材料可以应用于量子计算机,制作高电导的芯片。在材料科学领域,通常使用高通量方法对自旋霍尔电导和反常霍尔电导进行计算,耗时较长,一般计算周期为一周,根据材料科学的相关理论研究,材料的能带数据对二者有一定的影响作用,因此本文利用机器学习的方法根据能带数据对二者进行预测,一是提高计算效率,二是为能带数据对二者的具体影响的理论研究提供一定参考。本文共采用两个模型对自旋霍尔电导和反常霍尔电导进行预测,分别为机器学习方法中的集成学习中的Light-GBM模型和深度神经网络模型。两个模型的区别在于特征提取的方式不同,Light-GBM模型采用传统方法提取能带的斜率、信号特征以及能带劈裂程度特征;在构建神经网络模型时,从常用的方法1DCNN+LSTM出发,提出了使用一维卷积的Res Net50模块、Bi-LSTM模块和Transformer特征提取模块组合的模型,分别提取了能带特征,时序特征和通道间的特征,并且提出了能带劈裂的处理方法。在两个模型上利用四个数据集进行了实验,Light-GBM的实验内容主要是对照实验,对照实验选取的模型是SVR和XGBoost;神经网络模型的实验内容包括消融实验和对照实验,消融实验的目的是验证Transformer模块的重要性,对照实验选取的模型是1D-CNN+LSTM作为baseline,Res Net50模型是不同的特征提取方法。选取了四个评价指标均方误差、均方根误差、平均绝对误差和决定系数,统计了训练时间,最后将实验结果从以上几个角度进行对比分析。本文所做的实验证明了Light-GBM所采用的特征提取方法效果表现较为优秀,神经网络模型相较于baseline预测精度提高了50%以上,也证明了本模型中了Transformer模块的重要。能带数据对SHC的预测效果好于对AHC的预测效果,同时Soc能带数据的训练时间较长,Light-GBM的训练时间平均在174s,均方根误差平均为15.97,神经网络模型的训练时间平均在5.16小时,均方根误差平均为7.64。