Al desarrollar modelos de predicción para datos binarios pequeños o dispersos con muchos covariables altamente correlacionados, la regresión logística a menudo enfrenta problemas de separación o multicolinealidad, lo que resulta en un sesgo grave e incluso la no existencia de estimaciones estándar de máxima verosimilitud. La combinación de separación y multicolinealidad hace que la tarea de regresión logística sea más difícil, y algunos estudios han abordado la separación y multicolinealidad simultáneamente. En este documento, proponemos un método de doble penalización llamado lFRE para combatir la separación y la multicolinealidad en la regresión logística. lFRE combina la penalización de tipo logarítmico con la penalización de ridge. Los resultados indican que en comparación con otros métodos de penalización, lFRE no solo puede eliminar efectivamente el sesgo de las probabilidades predichas, sino que también proporciona el error de predicción cuadrático medio mínimo. Además de eso, se emplea un conjunto de datos reales para probar el rendimiento del algoritmo lFRE en comparación con varios métodos existentes. El resultado muestra que lFRE tiene una fuerte competitividad en comparación con ellos y puede ser utilizado como un algoritmo alternativo en la regresión logística para resolver problemas de separación y multicolinealidad.