Các hệ thống không xác định chỉ được xác định trước nếu bạn không áp đặt các ràng buộc nào khác ngoài dữ liệu. Bám sát ví dụ của bạn, khớp đa thức 4 độ với 4 điểm dữ liệu có nghĩa là bạn có một bậc tự do không bị ràng buộc bởi dữ liệu, điều này khiến bạn có một dòng (trong không gian hệ số) các giải pháp tốt tương đương. Tuy nhiên, bạn có thể sử dụng các kỹ thuật chính quy hóa khác nhau để làm cho vấn đề trở nên dễ xử lý. Ví dụ: bằng cách áp dụng một hình phạt đối với định mức L2 (nghĩa là tổng bình phương) của các hệ số, bạn đảm bảo rằng luôn có một giải pháp duy nhất có thể lực cao nhất.
Các kỹ thuật chính quy cũng tồn tại cho các mạng thần kinh, vì vậy câu trả lời ngắn cho câu hỏi của bạn là 'có, bạn có thể'. Quan tâm đặc biệt là một kỹ thuật gọi là "bỏ học", trong đó, với mỗi lần cập nhật các trọng số, bạn ngẫu nhiên 'thả' một tập hợp con các nút nhất định khỏi mạng. Đó là, đối với việc lặp lại cụ thể của thuật toán học tập, bạn giả vờ các nút này không tồn tại. Không bỏ học, mạng có thể học các biểu diễn rất phức tạp của đầu vào phụ thuộc vào tất cả các nút làm việc cùng nhau vừa phải. Các đại diện như vậy có khả năng 'ghi nhớ' dữ liệu đào tạo, thay vì tìm các mẫu tổng quát. Dropout đảm bảo rằng mạng không thể sử dụng tất cả các nút cùng một lúc để phù hợp với dữ liệu đào tạo; nó phải có khả năng thể hiện tốt dữ liệu ngay cả khi thiếu một số nút,
Cũng lưu ý rằng khi sử dụng học sinh bỏ học, mức độ tự do tại bất kỳ thời điểm nào trong quá trình đào tạo thực sự có thể nhỏ hơn số lượng mẫu đào tạo, mặc dù trong tổng số bạn đang học nhiều trọng lượng hơn so với mẫu đào tạo.