多线性主成分分析(Multilinear Principal Component Analysis,MPCA)方法,可将高维度空间映射到低维空间中去,降维的过程就是舍弃不重要的特征向量缩减维度,相较于一般的主成分分析,多线性主成分分析保留了资料的结构性且有较佳的解释比例。多线性主成分分析(MPCA)是主成分分析(PCA)到多维的一个延伸。PCA是投影向量(Vector)到向量,而MPCA是投影张量(Tensor)到张量,投影的结构相对简单,另外运算在较低维度的空间进行,因此处理高维度数据时有低运算量的优势。举例来说,给一个100x100的图片,主成分分析运做在1000x1的向量上,而多线性主成分分析则是在二阶模式上运作100x1的向量。对于等量的降维来说,主成分分析需要估算的变数量为多线性主成分分析的49((10000/(100x2)-1))倍,因此在实用面上多线性主成分分析可以比主成分分析更有效率。
多线性主成分分析(MPCA)定义一个多重子空间,此子空间撷取了大部分正交多维的输入变异量,借此达到特征提取的效果。如同主成分分析,多线性主成分分析可运用在已中央化的资料上。多线性主成分分析的计算遵照交替最小次方(Alternating Least Square,ALS)方法。因此会有迭代动作,并且以分解原本的空间至一系列的多为映射子空间。每一个子空间都是一个经典的主成分空间,很容易被解析。