學習目標：在驗證集上從 m 個候選裡挑最好的那一個，那個分數就不再是無偏的——它是 m 個抽樣的極值。挑的候選越多、驗證集越小，勝出者的驗證分數就越樂觀，而它的測試分數完全不動。

三個分佈（600 次重複）：勝出者的驗證分數、同一個模型的測試分數、與所有候選的平均水準；垂直線＝各自的中位數

樂觀量（驗證中位數 − 測試中位數）對候選數 m，三條線對應三種驗證集大小

觀察：把 m 拉大，驗證分佈整團往右漂而測試分佈幾乎不動——多出來的那一段完全是挑選造成的。把驗證集拉大，三個分佈同時變窄、樂觀量跟著縮小：樂觀量正比於驗證集本身的抖動，而它隨 m 只以 √log m 成長，所以下圖的曲線越後面越平。