Una estimación precisa del tamaño medio del fragmento es crucial para optimizar las operaciones de minería a cielo abierto. Este estudio presenta un enfoque que combina agrupamiento, optimización de hiperparámetros y aumento de datos para mejorar la precisión de predicción utilizando el modelo de regresión Xtreme Gradient Boosting (XGBoost). Un conjunto de datos de 110 explosiones se dividió en 97 explosiones para entrenamiento y pruebas, mientras que un conjunto separado de 13 nuevas explosiones no vistas se utilizó para evaluar la robustez y generalización del modelo. Se utilizaron los algoritmos de agrupamiento jerárquico aglomerativo (HA) y K-means, siendo el agrupamiento HA el que proporcionó una mayor calidad de agrupamiento. Para abordar el desequilibrio de clases y mejorar la generalización del modelo, se empleó una técnica de sobremuestreo sintético de minorías para regresión con ruido gaussiano (SMOGN). La sintonización de hiperparámetros se realizó utilizando HyperOpt comparando la Búsqueda Aleatoria (RS) con el Estimador Parzen Estructurado en Árbol Avanzado (ATPE). La combinación de ATPE con agrupamiento HA y SMOGN en un espacio de búsqueda ampliado produjo los mejores resultados, logrando una precisión de predicción y confiabilidad superiores. El modelo propuesto HAC1-SMOGN, que integra el agrupamiento HA, la sintonización ATPE y el aumento SMOGN, logró un error cuadrático medio (MSE) de 0.0002 y un R de 0.98 en el conjunto de pruebas. Este estudio destaca los beneficios sinérgicos del agrupamiento, la optimización de hiperparámetros y el aumento de datos en la mejora de modelos de aprendizaje automático para tareas de regresión, especialmente en escenarios con desequilibrio de clases o datos limitados.