En los últimos años, las encuestas web se han consolidado como uno de los principales métodos en la investigación empírica. Sin embargo, el efecto del sesgo de cobertura y del sesgo de selección en dichas 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 las muestras no probabilísticas para que coincidan más con la población. En este estudio, probamos el potencial del algoritmo XGBoost en los métodos de estimación más importantes 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 aproximaciones de aumento de gradiente (gradient boosting frameworks) 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 una encuesta no probabilística sobre los efectos sociales de la COVID-19.