要训练一个好的监督算法（例如，依赖解析器、词性标注器或NER）数据是必不可少的，但是有多少样本是必要的或足够的呢？我们可以从什么样的角度来尝试估计或/和确定我们应该注释多少数据？或者在我们得到第一次尝试的结果之前，我们可以使用什么样的技术来预测数量？
我知道单词可以分为两种类型：封闭类类型和开放类类型。我们应该考虑吗？
如果不存在这样的方法，我们如何知道我们的模型（主要是高方差）是否存在数据短缺（知道数据永远不够）或其他原因（如结构差或训练过程差或超参数差等）我们得到了模型的第一个版本的结果并认为结果不令人满意？
有几个不同的角度可以确定您需要的数据量。其中包括：
您可以开始使用您拥有的数据处理您的模型，然后在您认为有必要时添加更多数据。理想情况下，这将使您非常清楚地了解您的数据需求，并且它们很可能属于上述类别之一。
本文深入介绍了训练数据的需求，因此可能会有所帮助。它还包括各种基于语言和 NLP 项目的数据集大小示例。不幸的是，项目之间没有太多的一致性。一些项目（文本语言识别）使用了 3000 个训练样本和 1000 个测试样本，而其他项目（情感分析）使用了超过 10,000 个样本的数据集。此处的差异可能归因于数据的可用性（例如，推文数据比南非语言文本更容易收集）。