如何使MLP分类器适合特定的数据集结构和内容？

Question

我有一个具有统计值和图像质量客观度量的数据集（所有值都在0和1之间）。这些值取自拉普拉斯金字塔混合产生的图像，作为曝光不足和曝光过度的图像对的融合结果。数据集包含来自每对（数据集中总共100对）的4个结果图像的值，这些图像从具有最佳质量的更高分解级别中选择。该图像的输出为1，质量最好，由MOS从一项调查中选出（其余3票为0）。你知道吗

其整体思想是训练模型，以估计在哪个层次上 拉普拉斯金字塔的（分别是哪张图片）是图像分解的“最佳”结果。你知道吗

我的问题是

我应该如何训练分类器，因为来自同一对（over/uder exposed）的输出图像组中的最佳图像的输出1与来自同一组的图像相关的另一对中的图像没有相同的“权重”（或含义）？你知道吗

例如

输入图像=[Im1，Im2，Im3，Im4，Im5，Im6，Im7，Im8。。。] 输出=[0，0，1，0，0，0，0，1。。。]你知道吗

图像：Im1、Im2、Im3、Im4是对1的融合结果，图像Im3是MOS患者选择的最佳图像。对于第2对，它是Im8（或相当于第4个图像）

我是否应该将图像分成两组，进行100次拟合，比如：

组1=[Im1，Im2，Im3，Im4]->；输出1=[0，0，1，0]

组2=[Im5，Im6，Im7，Im8]->；输出2=[0，0，0，1]

。。。等等。你知道吗

然后：

你知道吗clf.fit公司（组1，输出1） clf.fit公司（组2，输出2）

。。。等等。 或者我应该使用部分拟合来实现相同的效果？你知道吗

还有其他更聪明的主意和建议吗？你知道吗