epub_corrector/README.md

Fase 2: dataset per classificatore italiano

Genera coppie bilanciate [frase A, frase B], dove la label indica se B è la versione corretta.

python make_training_pairs.py ~/epub-corrector/input/a.epub --pairs 20000 --output pairs.jsonl
python check_dataset.py pairs.jsonl
python split_dataset.py pairs.jsonl --outdir data

Nota: usare un solo libro rischia overfitting stilistico. Questa è una prova di fattibilità; per il modello finale servono più fonti italiane pulite e un test manuale separato.