我必须写一个正确的拼写检查符。
我写了第一部分，语言模型检查器，但现在有最艰难的部分， 误差模型P（W | C），即当作者指的是C时，W将在文本中输入的概率。
为了解决这个问题，我提出了最简单的解决方案，算法选择具有最小Damerau-Levenshtein距离的单词，如果有一个名称，算法必须选择最常见的名称。
应用程序正常运行，但我想改进它。我想介绍一种从最常见的错误中学习的电子学习机算法。 我必须实现机器学习算法。
所以我开始思考如何做到这一点。
进入错误模型语言可以找到一些模式：
我想将所有这些都视为事实。
此外，该算法可能用于文本识别或语音识别，因此我必须考虑：
更好地解释问题：我们可以想象这2个场景。
在第一种情况下，诸如具有相似声音的字母之类的错误更可能，而在第二种情况下，印刷错误更可能是错误的。 由于我不知道我的算法将要工作的场景，我应该实现一个动态适应场景的算法，我的意思是如果有一个错误，如 g！useppe的可能性是giuseppe（o.4）geuseppe（o.6） 算法必须先挑选因为形状！类似于我，我发现了很多类似的错误。
我认为解决方案是一种从错误中学习的机器学习算法。
第一个问题，我是否清楚地解释了我的问题？ 如果是这样，哪种算法符合我的要求？
我在人工智能和机器学习方面的经验有限。
答案 0 :(得分：0)
选择单一最可能正确的拼写很难，这就是大多数拼写检查器提供多种选择的原因。如果可能的话，我建议你也这样做。有人甚至可能在没有任何统计学习的情况下离开 - 只需向用户提供每个可能的有效名称，使其与输入之间的编辑距离低于某个给定值N.