বদ্ধ ফর্ম সমাধান গণনা করা ব্যয়বহুল না হলে এটি উপলব্ধ হলে সাধারণত এটিই যায়। যাহোক,
বেশিরভাগ ননলাইনারি রিগ্রেশন সমস্যার জন্য কোনও বন্ধ ফর্ম সমাধান নেই।
এমনকি লিনিয়ার রিগ্রেশন (কয়েকটি ক্ষেত্রে যেখানে একটি বদ্ধ ফর্ম সমাধান পাওয়া যায়) এর মধ্যে, এটি সূত্রটি ব্যবহার করা অবৈধ হতে পারে। নিম্নলিখিত উদাহরণটি একটি উপায় দেখায় যাতে এটি ঘটতে পারে।
ফর্মের মডেলটিতে লিনিয়ার রিগ্রেশনের জন্য , যেখানে সম্পূর্ণ কলাম র্যাঙ্ক সহ একটি ম্যাট্রিক্স, সর্বনিম্ন স্কোয়ার সমাধান,Xy=XβX
β^=argmin∥Xβ−y∥2
দেওয়া হয়
β^=(XTX)−1XTy
এখন, কল্পনা করুন যে খুব বড় তবে বিরাট ম্যাট্রিক্স। যেমন 100,000 কলাম এবং 1,000,000 সারি থাকতে পারে, কিন্তু এন্ট্রিগুলির শুধুমাত্র 0.001% অশূন্য হয়। এই জাতীয় বিরল ম্যাট্রিক্সের কেবল ননজারো এন্ট্রিগুলি সংরক্ষণ করার জন্য এখানে বিশেষায়িত ডেটা স্ট্রাকচার রয়েছে। XXX
এও ধারণা করুন যে আমরা দুর্ভাগ্য এবং ননজারো এন্ট্রিগুলির অনেক বেশি শতাংশ সহ মোটামুটি ঘন ম্যাট্রিক্স। by ম্যাট্রিক্সের দ্বারা 100,000 উপাদান দ্বারা একটি ঘন 100,000 সঞ্চয় করার জন্য ভাসমান পয়েন্ট সংখ্যাগুলির প্রয়োজন হবে (প্রতি সংখ্যা 8 বাইটে এটি 80 গিগাবাইটে আসে)) এটি কোনও কিছুর জন্য সংরক্ষণ করা অবৈধ হবে কিন্তু একটি সুপার কম্পিউটার। তদুপরি, এই ম্যাট্রিক্সের বিপরীতটি (বা আরও সাধারণভাবে একটি কোলেস্কি ফ্যাক্টর) বেশিরভাগ ননজারো এন্ট্রিগুলিতে থাকে। XTXXTX1×1010
তবে, ন্যূনতম স্কোয়ার সমস্যা সমাধানের জন্য পুনরাবৃত্তি পদ্ধতি রয়েছে যার জন্য , এবং more এর চেয়ে বেশি স্টোরেজ প্রয়োজন নেই এবং স্পষ্টভাবে ম্যাট্রিক্স পণ্যটি । Xyβ^XTX
এই পরিস্থিতিতে, পুনরাবৃত্ত পদ্ধতিটি ব্যবহার করা কমপক্ষে স্কোয়ার সমস্যার বন্ধ ফর্ম সমাধানটি ব্যবহার করার চেয়ে অনেক বেশি কম্পিউটেশনাল দক্ষ।
এই উদাহরণটি অযৌক্তিকভাবে বড় মনে হতে পারে। যাইহোক, এই আকারের বৃহত স্পারস ন্যূনতম স্কোয়ার সমস্যাগুলি নিয়মিতভাবে সিসমিক টমোগ্রাফি গবেষণায় ডেস্কটপ কম্পিউটারগুলিতে পুনরাবৃত্তি পদ্ধতি দ্বারা সমাধান করা হয়।