我有一个数据集，其中包含统计值和客观的图像质量测量值（所有值都在0到1之间）。这些值取自用拉普拉斯金字塔混合产生的图像作为融合结果形式和过度曝光的图像对。数据集包含来自每对的4个结果图像的值（总数据集中的100对），其选自具有最佳质量的较高分解级别。该图像的输出为1，MOS从调查中收集到的最佳感知质量（其余3票为0）。
这个的全部想法是训练可以估计在哪个级别上的模型 拉普拉斯金字塔（分别是哪张图片）是最好的＆＃34;结果图像来自分解。
我的问题是，
我应该如何训练分类器，因为来自同一对（over / uder暴露）的那组输出图像中的最佳图像的输出1不具有相同的＆＃34;权重＆＃34; （或意义）如同另一对与来自同一组的图像相关？
例如，
输入图像= [Im1，Im2，Im3，Im4，Im5，Im6，Im7，Im8 ...] 输出= [0,0,1,0,0,0,0,1 ...]
图像：Im1，Im2，Im3，Im4是来自第1对的融合结果，图像Im3是由MOS人选择的最佳图像。对于第2对，它是Im8（或等效第四图像）
我应该将图像成对分组并适合100次，例如：
组1 = [Im1，Im2，Im3，Im4] - > Output1 = [0,0,1,0]
组2 = [Im5，Im6，Im7，Im8] - > Output2 = [0,0,0,1]
......等等。
然后：
clf.fit（Group1，Output1） clf.fit（Group2，Output2）
......等等。 或者我应该使用 partial_fit 吗？
还有其他更聪明的想法和建议吗？