基于公开人脸数据库或自建人脸库，分别用一种特征选择和特征提取方法实现特征降维，并结合一种所学的传统分类方法，实现多类别的人脸识别。附上核心代码（需有注释）、图或表（图或表需有相应的文字描述）。

由于该问题需要涉及到比较多的代码和实验，无法在此处直接展示。以下是大致的步骤和思路供参考。

1. 数据集的准备
首先需要准备人脸图像数据集，可以使用公开的人脸数据库，如LFW、CASIA等，也可以自行采集和标注。数据集应包含多个类别的人脸图像，并且每个类别的图像数量应该大致相等。

2. 特征选择和特征提取
在人脸识别中，常用的特征选择方法有PCA、LDA等，常用的特征提取方法有SIFT、HOG、LBP等。在本次实验中，可以选择一种特征选择和一种特征提取方法进行实现。例如，选择PCA对人脸图像进行特征选择，选择LBP对特征进行提取。

3. 特征降维
经过特征选择和特征提取后，通常会得到高维的特征向量。为了降低计算复杂度和提高分类准确率，需要对特征进行降维。常用的降维方法有PCA、LDA、t-SNE等。在本次实验中，可以使用PCA对特征向量进行降维。

4. 分类器的选择和实现
常用的分类器有SVM、KNN、决策树等。在本次实验中，可以选择一种分类器进行实现，例如SVM。

5. 实验结果
最后，需要将以上步骤进行组合，得到完整的人脸识别系统，并在数据集上进行实验。实验结果可以使用混淆矩阵等方式进行展示和分析。

以下是伪代码示例：

# 导入必要的库
import numpy as np
from sklearn.decomposition import PCA
from sklearn.svm import SVC
from sklearn.metrics import confusion_matrix

# 准备数据集
X_train, y_train, X_test, y_test = load_data()

# 特征选择和特征提取
X_train = pca(X_train)
X_test = pca(X_test)

# 分类器的选择和实现
clf = SVC()
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)

# 实验结果
cm = confusion_matrix(y_test, y_pred)
print(cm)

其中，load_data()函数用于从数据集中读取数据，pca()函数用于进行PCA降维，SVC()函数用于创建SVM分类器。最后，输出混淆矩阵进行结果分析。