模式识别的三大核心问题包括：
特征选择 和 特征变换 都能够达到降维的目的，但是两者所采用的方式方法是不同的。
特征提取 主要是通过分析特征间的关系，变换原来特征空间，从而达到压缩特征的目的。主要方法有：主成分分析（PCA）、离散K-L变换法（DKLT）等。
特征选择 选择方法是从原始特征集中挑选出子集，是原始特征的选择和组合，并没有更改原始特征空间，特征选择的过程必须确保不丢失重要特征。主要方法有：遗传算法（GA）、统计检验法、分支定界法等。
这里主要讲讲特征选择中 遗传算法 以及它的R语言实现（因为要写作业，虽然不一定写对了）。
遗传算法受进化论启发，根据“物竞天择，适者生存”这一规则，模拟自然界进化机制，寻找目标函数的最大值。
采用遗传算法对男女生样本数据中的身高、体重、鞋码、50m成绩、肺活量、是否喜欢运动共6个特征进行特征选择。
由于有6个特征，因此选用6位0/1进行编码，1表示选中该特征。
适应度函数的实现
示例
结果如下
有什么不对的地方欢迎大家在评论区指出。
用r语言实现对6个样品19,21,25,8,11,13的k均值法聚类用kmeans函数即可：
a=c(19,21,25,8,11,13)kmeans(a,2)
k=2的分类效果
其中输出结果为，19,21,25为类别1，均值为21.66667；8,11,13则为类别2均值为10.66667
因为数据只有一维，再加点可视化：
红点类均值，黑点样本值，横坐标类别
a=c(19,21,25,8,11,13)
km=kmeans(a,2)
plot(km$cluster,a)
lines(km$cluster,km$centers[km$cluster],col='red',type='p')
