Python 是否有可能发现spaCy POS标签的不确定性？

我正在尝试构建一个非英语拼写检查器，它依赖于spaCy对句子的分类，这允许我的算法使用POS标记和单个标记的语法依赖性来确定拼写错误（在我的例子中，更具体地说：荷兰语复合词中的错误拆分）

然而，如果句子包含语法错误，spaCy似乎会错误地对句子进行分类，例如，将一个名词归类为动词，即使分类后的单词看起来根本不像动词

正因为如此，我想知道是否有可能获得斯帕西分类的不确定性，从而有可能判断斯帕西是否在与一个句子作斗争。毕竟，如果spaCy正在努力进行分类，这将为我的拼写检查器提供更多的信心，使其确信句子中包含错误

有没有办法知道spaCy是否认为一个句子在语法上是正确的（而不必指定我语言中所有正确句子结构的模式），或者获得分类的确定性

---

根据@Sergey Bushmanov评论中的建议进行编辑：

我发现，这可能有助于获得标签的概率。然而，我并不确定我在看什么，我也没有真正理解文档关于输出的含义。我正在使用以下代码：

import spacy

nlp = spacy.load('en_core_web_sm')
text = "This is an example sentence for the Spacy tagger."
doc = nlp(text)

docs = nlp(text, disable=['tagger'])
scores, tensors = nlp.tagger.predict([docs])

print(scores)
probs = tensors[0]
for p in probs:
    print(p, max(p), p.tolist().index(max(p)))

这打印出我猜测的是预测的一些整数表示（考虑到“整数”和“表示”得到相同的分数），然后句子中每个单词都有96个浮点数组。它还列出了最高分数和最高分数的位置，但似乎对于大多数单词来说，

p

数组中有多个项目获得了类似的值。现在我想知道这些数组意味着什么，以及如何从中提取每个分类的概率

---

---

问题是：我如何解释这个输出以获得spaCy的tagger找到的特定标记的特定概率？或者用另一种方式提出同样的问题：上面代码生成的输出意味着什么？

您可能希望检查如何提取ner标记的概率。我怀疑评估pos概率可能类似。如果您找到问题的答案，请发回@SergeyBushmanov我已经研究了一段时间，我注意到有一个

nlp.entity.beam\u parse

方法，以及

nlp.parser.beam\u parse

，但显然对于我想要分析的东西，没有类似的方法

nlp.tagger.beam\u parse

。你知道我在哪里可以找到更多的资源来帮助我找到一种方法，将同样的方法应用到标记器上吗？@SergeyBushmanov我编辑了我的问题，加入了一些代码，试图使用这些代码来达到预期的效果。然而，我并不是真的在关注斯帕西的tagger预测结果。你能帮忙吗？它必须是

doc=nlp（text）；分数，张量=nlp.tagger.predict（[doc]）

，我怀疑这些只是pos'的关键。对于那些建议结束这个问题的人来说，如果他们能分享这样做的原因，那就太好了。使问题有机会得到相应的调整。