En este trabajo, propusimos una versión escasa del algoritmo de Regresión de Vectores de Soporte (SVR) que utiliza regularización para lograr esparcimientos en la estimación de funciones. Para lograr esto, utilizamos una penalización L adaptativa que tiene una estructura de cresta y, por lo tanto, no introduce complejidad computacional adicional al algoritmo. Además de esto, utilizamos un enfoque alternativo basado en una propuesta similar en la literatura de Máquinas de Vectores de Soporte (SVM). A través de estudios numéricos, demostramos la efectividad de nuestras propuestas. Creemos que esta es la primera vez que alguien discute una versión escasa de la Regresión de Vectores de Soporte (en términos de selección de variables y no en términos de selección de vectores de soporte).