El modelo lineal basado en distancias (DB-LM) extiende la regresión lineal clásica al marco de predictores de tipos mixtos o cuando la única información disponible es una matriz de distancias entre regresores (como sucede a veces con grandes conjuntos de datos). El principal inconveniente de estos métodos DB es su costo computacional, particularmente debido a la eigendecomposición de la matriz de Gram. En este contexto, las técnicas de regresión de conjunto proporcionan una alternativa útil para ajustar el modelo a toda la muestra. Este trabajo analiza el rendimiento de tres técnicas de submuestreo y agregación en la regresión DB en dos conjuntos de datos grandes y reales específicos. También analizamos, a través de simulaciones, el rendimiento del bagging y la regresión logística DB en el problema de clasificación con características de tipos mixtos y tamaños de muestra grandes.