El creciente interés en la investigación genómica ha requerido nuevos modelos semiparamétricos basados en regresión de máquinas de núcleo para modelar resultados de salud. Los modelos que contienen predictores redundantes a menudo muestran un rendimiento de predicción insatisfactorio. Por lo tanto, nuestra tarea es construir un método que pueda garantizar la precisión de la estimación al eliminar variables redundantes. Específicamente, en este documento, basado en el método de regularización y una innovadora clase de funciones de núcleo garrotizadas, proponemos un nuevo método de máquina de núcleo penalizado para un modelo logístico semiparamétrico. Nuestro método puede prometernos altas precisiónes de predicción, debido a su capacidad de describir de manera flexible la relación complicada entre las respuestas y los predictores y su compatibilidad con las interacciones entre los predictores. Además, nuestro método también puede eliminar las variables redundantes. Nuestros experimentos numéricos demuestran que nuestro método produce mayores precisiónes de predicción en comparación con enfoques competitivos.