Este documento tiene como objetivo determinar si la regularización mejora la reconstrucción de imágenes en la tomografía de impedancia eléctrica (EIT) utilizando una red de bases radiales. El propósito principal es investigar el efecto de la regularización para estimar los parámetros de la red de funciones de base radial para resolver el problema inverso en EIT. Nuestro enfoque para estudiar la eficacia de la red de bases radiales con regularización es comparar el rendimiento entre varias regularizaciones diferentes, principalmente la regularización de Tikhonov, Lasso y Elastic Net. Variamos los parámetros de la red, incluidos los anchos fijos y variables para la Gaussiana utilizada en la red. También realizamos un estudio de robustez para comparar las diferentes regularizaciones utilizadas. Nuestros resultados incluyen (1) determinar el número óptimo de funciones de base radial en la red para evitar el sobreajuste; (2) comparación de ancho de Gaussiana fijo versus variable con o sin regularización; (3) comparación de la reconstrucción de imágenes con o sin regularización, en particular, sin regularización, Tikhonov, Lasso y Elastic Net; (4) comparación tanto del error cuadrático medio como del error absoluto medio y la varianza correspondiente; y (5) comparación de la robustez, en particular, el rendimiento de los diferentes métodos en relación con el nivel de ruido. Concluimos que al observar la puntuación, se puede determinar el número óptimo de funciones de base radial. La red de funciones de base radial con ancho fijo y regularización resulta en un rendimiento mejorado. La Gaussiana de ancho fijo con regularización de Tikhonov funciona muy bien. La regularización ayuda a reconstruir las imágenes fuera del conjunto de datos de entrenamiento. La regularización puede hacer que la calidad de la reconstrucción se deteriore; sin embargo, la estabilidad mejora considerablemente. En cuanto a la robustez, la RBF con Lasso y Elastic Net parece ser muy robusta en comparación con Tikhonov.