در این مقاله ابتدا مدل با نظارت روش ترکیبی تحلیل مولفه اصلی احتمالاتی (SPPCAMM) ارائه شده است ؛ سپس با در نظر گرفتن جریمه نگاشت در یادگیری مدل پیش گو، روشی برای شناسایی چهره با استفاده از یک رویکرد کاهش بعد بدون اتلاف ارائه شده است. در روش پیشنهادی ابتدا یک خمینه زیربنایی محلی خطی با استفاده از مدل ترکیبی تحلیل مولفه اصلی احتمالاتی با نظارت از نمونه داده ها به دست می آید ؛ سپس دسته بند ماشین بردار پشتیبان با اعمال جریمه نگاشت به عنوان مدل پیش گوی مذکور با استفاده از این خمینه محلی خطی آموزش داده می شود. بدین ترتیب از مزایای کاهش بعد در مدل پیش گو استفاده می شود ؛ و در عین حال جلوی از دست رفتن اطلاعات مفید گرفته می شود. برای آموزش و ارزیابی روش پیشنهادی، از پایگاه داده های چهره شناخته شده استفاده شده است. روش استخراج ویژگی گابور بر روی تصاویر به کار گرفته شده است. نتایج آزمایش ها نشان می دهد که روش پیشنهادی نسبت به بسیاری از روش های معمول که کاهش بعد را انجام داده و سپس دسته بند را آموزش می دهند، و همچنین نسبت به روش جریمه نگاشت مبتنی بر مدل های کاهش بعد خطی و غیرخطی، دقت بیشتری دارد.