En los últimos años, las encuestas web se han establecido como uno de los principales métodos en la investigación empírica. Sin embargo, el efecto de la cobertura y el sesgo de selección en tales encuestas ha socavado su utilidad para la inferencia estadística en poblaciones finitas. Para compensar estos sesgos, los investigadores han empleado una variedad de técnicas estadísticas para ajustar muestras no probabilísticas de manera que se asemejen más a la población. En este estudio, probamos el potencial del algoritmo XGBoost en los métodos más importantes para la estimación que integran datos de una encuesta probabilística y una encuesta no probabilística. Al mismo tiempo, se hace una comparación de la efectividad de estos métodos para la eliminación de sesgos. Los resultados muestran que los cuatro estimadores propuestos basados en marcos de aumento de gradiente pueden mejorar la representatividad de la encuesta con respecto a otros métodos de predicción clásicos. La metodología propuesta también se utiliza para analizar una muestra real de encuesta no probabilística sobre los efectos sociales de la COVID-19.