O ile rozwiązanie w formie zamkniętej nie jest niezwykle drogie w obliczeniach, to na ogół jest to droga, gdy jest dostępna. Jednak,
W przypadku większości problemów z regresją nieliniową nie ma rozwiązania w postaci zamkniętej.
Nawet w regresji liniowej (jeden z niewielu przypadków, w których dostępne jest rozwiązanie w postaci zamkniętej), stosowanie wzoru może być niepraktyczne. Poniższy przykład pokazuje jeden ze sposobów, w jaki może się to zdarzyć.
y=XβX
β^=argmin∥Xβ−y∥2
jest dany przez
β^=(XTX)−1XTy
Teraz wyobraź sobie, że jest bardzo dużą, ale rzadką macierzą. np. może mieć 100 000 kolumn i 1 000 000 wierszy, ale tylko 0,001% wpisów w jest niezerowych. Istnieją wyspecjalizowane struktury danych do przechowywania tylko niezerowych wpisów takich rzadkich macierzy. XXX
Wyobraź sobie również, że mamy pecha, a to dość gęsta matryca ze znacznie wyższym odsetkiem niezerowych wpisów. Przechowywanie gęstej macierzy o wartości 100 000 na 100 000 elementów wymagałoby wówczas liczb zmiennoprzecinkowych (przy 8 bajtach na liczbę, to jest 80 gigabajtów). Niepraktyczne byłoby przechowywanie na czymkolwiek ale superkomputer. Co więcej, odwrotność tej macierzy (lub częściej czynnik Cholesky'ego) również miałaby zwykle w większości niezerowe wpisy. XTXXTX1×1010
Jednakże, istnieją sposoby iteracyjne rozwiązywanie problemów najmniejszych kwadratów, które nie wymagają więcej przestrzeni niż , i , a nie bezpośrednio tworzą iloczyn macierzy . Xyβ^XTX
W tej sytuacji zastosowanie metody iteracyjnej jest znacznie bardziej wydajne obliczeniowo niż zastosowanie rozwiązania formy zamkniętej dla problemu najmniejszych kwadratów.
Ten przykład może wydawać się absurdalnie duży. Jednak duże rzadkie problemy najmniejszych kwadratów tego rozmiaru są rutynowo rozwiązywane metodami iteracyjnymi na komputerach stacjonarnych w badaniach tomografii sejsmicznej.