La red elástica es uno de los tipos de algoritmos de regularización más ampliamente utilizados, comúnmente asociado con el problema de la estimación del modelo lineal generalizado supervisado a través de la máxima verosimilitud penalizada. Sus propiedades atractivas, originadas a partir de una combinación de normas, dotan a este método con la capacidad de seleccionar variables, teniendo en cuenta las correlaciones entre ellas. En los últimos años, los enfoques semisupervisados que utilizan tanto datos etiquetados como no etiquetados se han convertido en un componente importante en la investigación estadística. A pesar de este interés, pocos investigadores han investigado extensiones semisupervisadas de la red elástica. Este documento presenta una solución novedosa para el aprendizaje semisupervisado de características dispersas en el contexto de la estimación del modelo lineal generalizado: la red elástica semisupervisada generalizada (snet), que extiende el método de red elástica supervisada, con una formulación matemática general que cubre, pero no se limita a, problemas de regresión y clasificación. Además, se proporciona una implementación flexible y rápida para snet. Sus ventajas se ilustran en diferentes experimentos utilizando conjuntos de datos reales y sintéticos. Muestran cómo snet mejora el rendimiento de otras técnicas que se han propuesto tanto para el aprendizaje supervisado como semisupervisado.