La inflación cero es omnipresente en la minería de textos, registros de eventos y análisis de sensores, y a menudo degrada el rendimiento predictivo de los modelos analíticos. Los enfoques clásicos, más notablemente los modelos de Poisson inflacionados por ceros (ZIP) y los modelos binomiales negativos inflacionados por ceros (ZINB), abordan el exceso de ceros pero dependen de suposiciones paramétricas rígidas y estructuras de modelo fijas, lo que puede limitar la flexibilidad en entornos escasos y de alta dimensión. Proponemos una red neuronal bayesiana (BNN) con regularización para el modelado de datos escasos inflacionados por ceros. El método parametriza por separado la probabilidad de inflación cero y la intensidad de conteo bajo las verosimilitudes ZIP/ZINB, mientras emplea regularización bayesiana para inducir escasez y controlar el sobreajuste. La inferencia posterior se realiza utilizando inferencia variacional. Evaluamos el enfoque a través de simulaciones controladas con diferentes proporciones de ceros y un conjunto de datos del mundo real, y lo comparamos con modelos lineales generalizados de Poisson, ZIP y ZINB como referencia. El presente estudio se centra en el rendimiento predictivo medido por el error cuadrático medio (MSE). En todos los escenarios, el método propuesto logra consistentemente un error de predicción más bajo y mejora los problemas de incertidumbre, con estudios de ablación que confirman la contribución de los componentes de regularización. Estos resultados demuestran que una BNN regularizada proporciona un marco flexible y robusto para el análisis de datos escasos inflacionados por ceros en entornos ricos en información.