Bashan's note (Temp)

1. 在老师给的 .m 文件中：%simulate feature selection by comparing two models: with/without NOTCH1 这里实际上是用的feature selection 中的 wrapper 方法，即：用不同的特征子集去训练模型得到模型的参数，然后在用validation set 并通过cindex方法进行评估。选择cindex大的那个作为预测模型并且让它来预测test set并输出其cindex。书上给的定义是：包裹式特征选择直接把最终将要使用的学习器的性能作为特征子集的评价标准。 这里在选区特征子集时可以用forward and backward 算法进行子集搜索，是贪心算法的思想。细节参考周志华p248

10-fold cross validation中并没有验证不同的特征子集，或许是因为计算量开销太大？ P251 LVM介绍了一种随机策略来选择子集并且用cross validation来评估子集‘好坏‘

由于我们最终可用的数据样本只有不到1000个，是否可以考虑使用 leave one out的方法来做验证呢？ 这样计算开销最大，但是准确度也是最高的。 f

2. But recent studies show that optimizing the cox partial likelihood is equivalent to optimizing CI 所以wrapper方法同样实现了寻找一个模型的最优参数，因为在 wrapper方法中CI是衡量模型的预测能力的。

3. Evaluating model performance: 以CI作为评估的baseline, 实现其他评估方法，