評估訓練機器學習模型所需資料量目前並沒有一個定量的計算方式，往往要結合所在問題、模型結構等等實際情況來評估，需要反覆的實驗來最終決定所需資料量。當然這裡說的資料量的前提是，每條資料之間的重複或相似度比較低。否則100條重複的資料會比10條不重複資料更沒用，即必須是有效的資料。這種情況下通常來說，對資料量的要求就是韓信點兵，多多益善。資料量大小對於模型的影響主要在於泛化性，資料量越大模型泛化性越好。

其中決定資料量的兩個重要因素，一是資料的複雜度或者說特徵數目，二是模型的引數數目以及模型的結構。

資料的特徵數目是指描述一個數據所需的特徵維度，如一張100*100大小彩色圖片的特徵維度就是100*100*3=30000個特徵數。而對一段文字的特徵表示，如果用詞袋模型表示的話，其特徵數就是詞典中所有詞的數目。按照經驗來說，對於特徵數目很大的資料，往往需要大量的資料來訓練模型，同時也意味著模型的引數也要很多。對於特徵維數小的資料往往就使用簡單的邏輯迴歸模型即可。但是對於特徵維數多，但是現有的資料量少，可以選擇使用基於樹的集合模型，如adaboost、隨機森林等等。而對於處理具有超多特徵維度的資料，最直接的方法就是使用深度神經網路，如圖片、文字等。

設計的模型引數越多，那麼所需的資料量也要越大，大量實驗表明兩者之前存線上性關係。此外優良的模型結構能很大程度上減少引數的數目，達到更好的預測效果。比如對於提取影象特徵來說，全連線就不如卷積層，後者引數數目還更少。

因此在決定所需資料量時，就需要反覆實驗，不斷調整模型引數，判斷模型是否存在過擬合等。根據具體情況來具體分析。

給一點經驗性的解釋吧，供參考。

對於一個模型所需要的最少訓練資料量，可以從幾個方面看：

最重要的首先是資料的分佈情況和可解釋性強弱，若訓練集的本身可以很好地分類標籤，那麼用小資料量的訓練集和LR即可滿足；

很多情況下資料的隱含因子無法透過簡單地特徵工程表現出來，這時候就要搬出神經網路(NN)這種網路結構來自動組合特徵，實際上在挖掘高維的隱含特徵，如果隱含特徵簡單，那麼資料量不用太大也可行，資料探勘難度越大，所需要的資料量也就越大。

總的來說，資料分佈越稀疏，資料表徵越不清晰，那麼所需要資料量越大。一個通俗例子就是想象你在沙漠裡淘金子一樣。當然這只是經驗之談，沒有理論基礎，我還是相信以後有更好的結構來代替現在的NN模型。

據我所知這個問題是沒有理論指導，若是有誰能研究出一套通用的定理，那肯定是機器學習領域的里程碑。

貌似只能具體問題具體分析，透過實驗確定經驗值。不同問題，不同模型，不能一概而論。