Los datos microsísmicos se emplean ampliamente para evaluar los riesgos de sacudidas de rocas; sin embargo, existen disparidades significativas en las capacidades de monitoreo de las redes sísmicas en diferentes minas, y ninguna puede capturar un conjunto de datos completo de eventos microsísmicos. Tales diferencias introducen injusticias al aplicar las mismas metodologías para evaluar los riesgos de sacudidas de rocas en diversas minas. Este documento propone un método para evaluar la capacidad de monitoreo de redes sísmicas aplicable a medios heterogéneos en minas. Esto se logra integrando tres algoritmos de aumento de gradiente: Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM) y Categorical Boosting (CatBoost). Inicialmente, se utiliza el algoritmo de bosque de aislamiento para la limpieza preliminar de datos, y se construye la ingeniería de características basada en las ubicaciones relativas de las ocurrencias de eventos a las estaciones de monitoreo y la cara de trabajo. Posteriormente, se buscan los hiperparámetros óptimos para tres modelos utilizando 8508 eventos microsísmicos de una Mina de Carbón en el este de China como muestras, y se entrenan 18 submodelos. Luego, se determinan los pesos del modelo en función de las métricas de rendimiento de diferentes algoritmos, y se crea un modelo de conjunto para predecir la capacidad de monitoreo de la red. El modelo demostró un excelente rendimiento en los conjuntos de entrenamiento y prueba, logrando puntuaciones de pérdida logarítmica, precisión y recall de 7,13, 0,81 y 0,76 y 6,99, 0,80 y 0,77, respectivamente. Finalmente, el método propuesto en este estudio se comparó con enfoques tradicionales. Los resultados indicaron que, bajo las mismas condiciones, el método propuesto calculó la capacidad de monitoreo de las áreas clave un 11% más baja que la de los métodos tradicionales. Se identificaron y explicaron parcialmente las razones de las diferencias entre estos métodos.