Una estimación precisa del módulo elástico de la roca es fundamental para el diseño de proyectos geotécnicos como minería, taludes y túneles. Sin embargo, la determinación de los parámetros mecánicos de la roca generalmente implica altos costos y requisitos de tiempo. Para abordar este problema, numerosos investigadores han desarrollado modelos de aprendizaje automático para estimar el módulo elástico de la roca. En este estudio, se desarrollaron dos nuevos modelos híbridos de aprendizaje de conjunto para estimar el módulo elástico de la roca optimizando los algoritmos de extreme gradient boosting (XGBoost) y random forest (RF) a través del enfoque de optimización de la mangosta enana (DMO). En primer lugar, se recopilaron 90 muestras de roca con porosidad, densidad seca, velocidad de onda S, durabilidad al desmenuzamiento y absorción de agua como indicadores de entrada. Posteriormente, se ajustaron los hiperparámetros de XGBoost y RF mediante DMO. Con base en la configuración óptima de hiperparámetros, se construyeron dos nuevos modelos híbridos de aprendizaje de conjunto utilizando el conjunto de entrenamiento (80% de los datos). Finalmente, el rendimiento de los modelos desarrollados se evaluó mediante el coeficiente de determinación (score), el error cuadrático medio (RMSE), el error absoluto medio (MAE) y la varianza explicada (VAF) en el conjunto de prueba (20% de los datos). Los resultados muestran que el modelo DMO-RF logró el mejor rendimiento integral con un score de 0.967, RMSE de 0.541, MAE de 0.447 y VAF de 0.969 en el conjunto de prueba. La densidad seca y la durabilidad al desmenuzamiento fueron indicadores más influyentes que otros. Además, las curvas de convergencia sugirieron que el modelo DMO-RF puede reducir el error de generalización y evitar el sobreajuste. Los modelos desarrollados pueden considerarse como herramientas viables y útiles en la estimación del módulo elástico de la roca.