机构名称：
¥ 1.0
应用语言学（AL）中传统的线性回归遭受严格假设引起的缺点：线性和正常性等。需要更高级的方法来克服传统方法的缺点，并努力处理复杂的语言问题。但是，以前没有关于机器学习（ML）在AL中的应用，可解释的ML和相关实用软件的应用。本文通过回顾AL中的ML的代表性算法来解决这些差距。结果表明ML适用于AL，并享有前途的未来。进一步讨论可解释的ML在报告AL中报告结果的应用。最后，它以实用的编程语言，软件和平台的建议结束，以实施AL研究人员的ML，以促进AL和ML之间的跨学科研究。
应用语言学中机器学习的方法论审查
主要关键词
相关文件推荐
