منظور از اعمال PCA كاهش ابعاد فضاي ویژگی است. با مولفه هاي اساسي بدست آمده از اعمال PCA بر روي يك مجموعه داده، فضاي جديدي ایجاد می شود كه داراي ابعادي برابر با ابعادفضاي اوليه است. خاصيت PCA این است كه بردارهاي فضاي جديد را در راستاي بيشترين اختلاف، انتخاب مي كند. بنابراین چنانچه تنها تعدادي از مولفه هاي اساسي كه متناظر با بزرگترين مقادير ويژه هستند، براي نمايش فضاي جديد استفاده شوند، مي توانيم تا حد زيادي مطمئن باشيم كه اطلاعات تفکیک پذیری نمونه ها حفظ شده است. چنانچه بخواهيم يك روند کلی را جهت بازشناسي چهره با استفاده از مولفه هاي اساسي بيان نماييم، به صورت ذیل خواهد بود:
- تبديل n نمونه آموزشي w.h بعدي به يك ماتريس w.h,n بعدي.
- محاسبه ماتريس كواريانس X.
- محاسبه بردارهاي ويژه و مقادير ويژه ماتريس كواريانس.
- چیدمان بردارهاي ويژه بر اساس مقادير ويژه A، به صورت نزولی و انتخاب چند بردار اول به عنوان مولفه هاي پايه فضاي جديد.
- تصوير كردن نمونه هاي آموزشي و آزمايشي بر روي پايه هاي فضاي جديد و در نظر گرفتن ضرايب آنها به عنوان بردار ويژگي نمونه ها .
- انتخاب يك معيار مناسب جهت یافتن نزديك ترين نمونه آموزشي به هر نمونه آزمايشي دیگر در فضاي جديد.