是否有用于训练统计模型的“足够”数据的概念？

我从事很多统计建模工作，例如隐马尔可夫模型和高斯混合模型。我看到在每种情况下训练好的模型都需要大量的数据（对于HMM来说> 20000句子），这些数据是从与最终使用类似的环境中获取的。我的问题是：

1. 文献中是否有“足够的”训练数据的概念？多少训练数据“足够好”？
2. 如何计算要训练的“良好”（识别准确率高（> 80％）的模型）需要多少个句子？
3. 我如何知道模型是否经过正确训练？模型中的系数会开始出现随机波动吗？如果是这样，我该如何区分由于模型更新而引起的随机波动和实际变化？

如果需要更多标签，请随时重新标记该问题。

您可以将数据集切成具有10％，20％，30％，...，100％数据的连续子集，并使用k倍交叉验证或自举对每个子集估计估计器精度的方差。如果您有“足够”的数据，则在绘制方差时应显示一条递减的单调线，该线应在100％之前达到平稳状态：添加更多数据不会以任何明显的方式降低估计量精度的方差。