۶. افزایش داده: این روش اغلب در تصاویر استفاده می‌شود. شامل ایجاد انواع مختلف از داده آموزشی با اعمال تبدیلاتی همچون چرخش، مقیاس بندی، یا کپی کردن هست. همین امر سبب افزایش تنوع در مجموعه داده آموزشی و کاهش فرا برازش خواهد شد.
۷. هرس کردن (درخت‌های تصمیم): هرس کردن در درخت‌های تصمیم استفاده می‌شود تا شاخه‌هایی که تاثیر قابل توجهی در کارایی مدل ندارند حذف شوند. همین امر سبب ساده شدن درخت و جلوگیری از فرا برازش می‌شود.
۸. اشتراک گذاری پارامتر: در شبکه‌های عصبی پیچشی، اشتراک گذاری پارامتر نوعی از تنظیم است. این روش شامل اشتراک گذاری وزن‌ها بین فیلتر‌ها خواهد بود که تعداد پارامترها را کاهش می‌دهد و سبب بهبود تعمیم یافتگی مدل خواهد شد.
۹. واپاشی وزن: واپاشی وزن شبیه به تنظیم L2 هست و شامل تعیین ضریب جریمه‌ای برای تابع فقدان مبتنی بر بزرگی وزن‌ها خواهد بود. هین امر، مدل را از داشتن وزن‌های بزرگ باز می دارد.
۱۰. نرمال سازی دسته: در شبکه‌های عصبی مصنوعی برای نرمال سازی توابع فعالیت در لایه‌های مذکور به کار می‌رود. از فرا برازش جلوگیری کرده و سرعت آموزش را بالا می‌برد.
