คำถามที่ดี. ก่อนอื่นให้จำว่าการประมาณนี้มาจากไหน ให้เป็นจุดข้อมูลของคุณ,เป็นแบบจำลองของคุณและเป็นพารามิเตอร์ของแบบจำลองของคุณ จากนั้นฟังก์ชันวัตถุประสงค์ของการไม่เชิงเส้นอย่างน้อยปัญหาสี่เหลี่ยมเป็นที่คือเวกเตอร์ของเหลือที่เบต้า) แคว้นเฮ็ซแน่นอนของฟังก์ชันวัตถุประสงค์คือr_i ดังนั้นข้อผิดพลาดในการประมาณนี้คือ( x i , y i ) f ( ⋅ ) β 1H≈JTJ(xi,yi)f(⋅)βRRฉัน=yi12rTrrH = J T J + ∑ r iri=yi−f(xi,β) H - J T J = ∑ r i ∇ 2 r iH=JTJ+∑ri∇2riH−JTJ=∑ri∇2ri. มันเป็นการประมาณที่ดีเมื่อตัวเองมีขนาดเล็ก หรือเมื่ออนุพันธ์อันดับ 2 ของเศษเหลือน้อย สี่เหลี่ยมจัตุรัสเชิงเส้นน้อยที่สุดสามารถพิจารณาได้ว่าเป็นกรณีพิเศษที่อนุพันธ์อันดับสองของส่วนที่เหลือเป็นศูนย์
สำหรับการประมาณความแตกต่างแน่นอนมันค่อนข้างถูก การคำนวณความแตกต่างกลางคุณจะต้องประเมินจาโคเบียนเพิ่มเติมครั้ง (ความแตกต่างไปข้างหน้าคุณจะใช้ประเมินผลเพิ่มเติมดังนั้นฉันจะไม่รำคาญ) ข้อผิดพลาดของการประมาณความแตกต่างส่วนกลางคือสัดส่วนกับและโดยที่คือขนาดขั้นตอน ขนาดขั้นตอนที่เหมาะสมคือโดยที่n ∇ 4 r h 2 h h ∼ ϵ 12nn∇4rh2h ϵh∼ϵ13ϵคือความแม่นยำของเครื่องจักร ดังนั้นหากอนุพันธ์ของส่วนที่เหลือถูกระเบิดมันก็ค่อนข้างชัดเจนว่าการประมาณความแตกต่างอัน จำกัด ควรจะดีกว่ามาก ฉันควรชี้ให้เห็นว่าในขณะที่การคำนวณมีน้อยที่สุดการทำบัญชีเป็นเรื่องที่ไม่สำคัญ ความแตกต่างอัน จำกัด ของยาโคบเบียนแต่ละอันจะให้แถว Hessian หนึ่งแถวสำหรับแต่ละส่วนที่เหลือ จากนั้นคุณจะต้องรวบรวม Hessian อีกครั้งโดยใช้สูตรด้านบน
อย่างไรก็ตามมีตัวเลือกที่ 3 หากตัวแก้ปัญหาของคุณใช้วิธี Quasi-Newton (DFP, BFGS, Bryoden ฯลฯ ) มันก็ประมาณ Hessian แล้วในแต่ละรอบ การประมาณนั้นค่อนข้างดีเนื่องจากใช้ฟังก์ชันวัตถุประสงค์และค่าการไล่ระดับสีจากการวนซ้ำทุกครั้ง นักแก้ปัญหาส่วนใหญ่จะช่วยให้คุณเข้าถึงประมาณการ Hessian ขั้นสุดท้าย (หรือผกผัน) หากเป็นตัวเลือกสำหรับคุณฉันจะใช้มันเป็นค่าประมาณของ Hessian มันคำนวณไปแล้วและอาจจะเป็นการประมาณที่ดีทีเดียว