Если решение для закрытой формы чрезвычайно дорого для вычисления, оно обычно является подходящим вариантом, когда оно доступно. Тем не мение,
Для большинства задач нелинейной регрессии не существует решения в замкнутой форме.
Даже в случае линейной регрессии (один из немногих случаев, когда доступно решение в закрытой форме), использование формулы может быть нецелесообразным. В следующем примере показан один из способов, которым это может произойти.
Для линейной регрессии на модели вида , где - матрица с полным рангом столбца, решение наименьших квадратов,y=XβX
β^=argmin∥Xβ−y∥2
дан кем-то
β^=(XTX)−1XTy
Теперь представьте, что - очень большая, но разреженная матрица. Например, может иметь 100 000 столбцов и 1 000 000 строк, но только 0,001% записей в отличны от нуля. Существуют специализированные структуры данных для хранения только ненулевых записей таких разреженных матриц. XXX
Также представьте, что нам не повезло, и - довольно плотная матрица с гораздо более высоким процентом ненулевых записей. Хранение плотной матрицы размером 100 000 на 100 000 элементов тогда потребует чисел с плавающей запятой (при 8 байтах на число, это составляет 80 гигабайт.) Это было бы нецелесообразно хранить на чем-либо но суперкомпьютер. Кроме того, обратная сторона этой матрицы (или чаще фактор Холецкого) также имеет тенденцию иметь в основном ненулевые записи. XTXXTX1×1010
Однако, есть итерационные методы для решения задачи наименьших квадратов , которые не требуют больше памяти , чем , , и и никогда явно не образуют произведение матриц . Xyβ^XTX
В этой ситуации использование итеративного метода намного эффективнее в вычислительном отношении, чем использование решения в форме наименьших квадратов в замкнутой форме.
Этот пример может показаться нелепо большим. Тем не менее, большие разреженные задачи наименьших квадратов такого размера обычно решаются итерационными методами на настольных компьютерах в исследованиях сейсмической томографии.