我一直在研究拼写修正模型，我正在尝试找到一些评估指标。如果您认为错误否定试图修复已经正确的单词并且误报错误，那么您可以计算精度，召回率和准确度。但是，这些指标没有说明校正模型的质量（无论是否成功地将错误的单词纠正为用户打算输入的内容），并且仅评估法术检查的能力而不是纠正能力。
答案 0 :(得分：0)
在许多语言中，最困难的部分是在众多候选人中选择正确的替代品。例如，lack应该是lick，lock，ick，luck还是$(document).ready(function () {
var parentDiv = $('#myDiv');
var note = $('<div />', { 'class': 'note' });
var top_note = $('<div />', { 'class': 'top_note' });
var right_ui = $('<ul />', { 'class': 'right_ui' });
var left_ui = $('<ul />', { 'class': 'left_ui' });
right_ui.append($('<li />', { 'class': 'favno' }));
right_ui.append($('<li />', { 'class': 'type' }));
left_ui.append($('<li />', { 'class': 'edit' }));
top_note.append(right_ui);
top_note.append(left_ui);
note.append(top_note);
parentDiv.append($('<li />').append(note));
});
？ （当然，脱离背景，你不能告诉！）
因此，您要查找的指标是准确更正的数量。您没有尝试修复错误，更正错误替换的错误会被您找到的错误淹没，但没有准确纠正，但您可能仍希望单独记录这些情况。
如果您的校正候选人排名算法是独立的，您可以通过单独评估它来显着改变流程。