没有一种完善的方法来估计您需要的数据点数量。它更像是一门艺术而不是一门科学。随着您获得更多经验，您将沿途学习一些常识课程（事后看来）。例如，您永远不应该拥有比数据点更多的参数；如果您正在构建随机森林，则树的数量不应超过数据点。如果你在做深度学习，你的神经元不应该多于数据点（这些是极端的例子）。根据经验，尽量避免拥有比数据点多 10 倍的特征。300 个数据点非常小，因此您可能应该将自己限制在线性模型中。

正如霍布​​斯所提到的，交叉验证和/或保留集是判断模型准备情况的正确方法，而与数据点与特征的比率无关。如果训练集上的误差比测试/验证集上的误差好 10%，那么您可能过度拟合并且您的模型不适合生产。10% 的门槛在很大程度上是一个经验法则。

另外值得一提的是，一旦您对自己的模型适合生产感到满意，就永远不要部署它然后就走开。如果您的模型有价值，您应该进行持续的后期制作监控。在现实世界中，随着模型训练环境的发展，模型的性能将不可避免地随着时间的推移而下降（无论模型构建时它有多强大/准确）。这对于金融和保险行业来说当然是正确的。

如果您的模型的性能比您预期的差得多，也可以使用生产监控来拔掉插头。如果您对模型的潜在稳定性有非常低的看法，请静默部署它（不要让预测进入下游系统）并衡量如果您假设部署它，您的模型会如何做。

最后一条建议：当您对新文档进行预测时，您几乎总是会遇到您在训练集中没有考虑到的单词。您应该找到一种方法将这种意识融入您的模型中。例如，您可以选择仅使用关键字作为预测变量，也可以为新词创建指示变量。无论哪种方式，您都不应该期望词汇量保持不变。

我以前遇到过这个问题，虽然我对这个领域还比较陌生，但我有一些想法。

在回答您的第一个问题时，如果交叉验证您的模型产生一致的结果，那么您可能有足够的数据。如果新数据严重影响您的模型，则您可能没有足够的数据。有许多指标可以衡量模型的稳健性，我主要使用 AUC。

这是一篇关于更多数据与更好算法的有趣帖子： http ://www.kdnuggets.com/2015/06/machine-learning-more-data-better-algorithms.html