统计显著性

文章指出50条评估集太小，单条样本得失可让准确率跳动2个百分点，因此86%的结果可能只是模型恰好适配了这50条而非泛化能力。

准确率从74%到76%在50条评估集上仅对应多答对1条样本，该差异在统计上几乎没有意义。

标准误按n的平方根缩放，因此人为增大n会压窄误差棒，导致虚假的统计显著性。