La Máquina Tsetlin (TM) es un enfoque novedoso de aprendizaje automático que implementa lógica proposicional para realizar diversas tareas como clasificación y regresión. La TM no solo logra una precisión competitiva en estas tareas, sino que también proporciona resultados explicables y fáciles de implementar utilizando hardware simple. La TM aprende utilizando cláusulas basadas en las características de los datos, y la clasificación final se realiza utilizando una combinación de estas cláusulas. En este trabajo, proponemos la idea novedosa de agregar regularizadores a la TM, denominada TM Regularizada (RegTM), para mejorar la generalización. Los regularizadores se han utilizado ampliamente en el aprendizaje automático para mejorar la precisión. Exploramos diferentes estrategias de regularización y su influencia en el rendimiento. Demostramos la viabilidad de nuestra metodología a través de diversos experimentos en conjuntos de datos de referencia.