Câu hỏi hay. Đầu tiên, hãy nhớ lại nơi gần đúng này đến từ đâu. Đặt là các điểm dữ liệu của bạn, là mô hình của bạn và là các tham số của mô hình của bạn. Khi đó, hàm mục tiêu của bài toán bình phương tối thiểu phi tuyến tính là trong đó là vectơ của phần dư, . Hessian chính xác của hàm mục tiêu là . Vì vậy, lỗi trong phép tính gần đúng này là( x i , y i ) f ( ⋅ ) beta 1H≈ JTJ( xtôi, ytôi)f( ⋅ )βrri=yi-f(xi,β)H=JTJ+∑ri∇2riH-JTJ=∑ri∇2ri12rTrrrtôi= ytôi- f( xtôi, β)H= = JTJ+ Σ rtôi∇2rtôiH- JTJ= Σ rtôi∇2rtôi. Đó là một xấp xỉ tốt khi phần dư, bản thân chúng là nhỏ; hoặc khi đạo hàm bậc 2 của phần dư nhỏ. Bình phương tối thiểu tuyến tính có thể được coi là một trường hợp đặc biệt trong đó đạo hàm bậc 2 của phần dư bằng không.
Đối với xấp xỉ sai phân hữu hạn, nó tương đối rẻ. Để tính toán một sai số trung tâm, bạn sẽ cần phải đánh giá Jacobian thêm lần (một sự khác biệt về phía trước sẽ chi phí bạn đánh giá bổ sung, vì vậy tôi sẽ không làm phiền). Lỗi của xấp xỉ chênh lệch trung tâm tỷ lệ thuận với và , trong đó là kích thước bước. Kích thước bước tối ưu là , trong đón ∇ 4 r h 2 h h ~ ε 12 nn∇4rh2h εh ~ ε13εlà độ chính xác của máy. Vì vậy, trừ khi các dẫn xuất của phần dư đang nổ tung, khá rõ ràng rằng xấp xỉ sai phân hữu hạn sẽ tốt hơn rất nhiều. Tôi nên chỉ ra rằng, trong khi tính toán là tối thiểu, thì việc ghi sổ là không cần thiết. Mỗi khác biệt hữu hạn trên Jacobian sẽ cung cấp cho bạn một hàng Hessian cho mỗi phần dư. Sau đó, bạn sẽ phải lắp ráp lại Hessian bằng công thức trên.
Tuy nhiên, có một lựa chọn thứ 3. Nếu bộ giải của bạn sử dụng phương pháp Quasi-Newton (DFP, BFGS, Bryoden, v.v.), thì nó đã gần đúng với Hessian ở mỗi lần lặp. Phép tính gần đúng có thể khá tốt, vì nó sử dụng hàm mục tiêu và giá trị độ dốc từ mỗi lần lặp. Hầu hết các nhà giải quyết sẽ cung cấp cho bạn quyền truy cập vào ước tính Hessian cuối cùng (hoặc nghịch đảo của nó). Nếu đó là một lựa chọn cho bạn, tôi sẽ sử dụng nó như ước tính của Hessian. Nó đã được tính toán và có lẽ nó sẽ là một ước tính khá tốt.