Resumo: Este trabalho avalia abordagens de modelagem preditiva para variáveis geometalúrgicas chave: recuperação metalúrgica (REC) e Bond Work Index (BWI). Utilizando dados geoquímicos e mineralógicos de um depósito mineral. Três estratégias são comparadas: um modelo global utilizando o algoritmo XGBoost Regressor treinado em todo o conjunto de dados, e duas abordagens segmentadas com modelos locais treinados separadamente em clusters definidos por K-means e por Agglomerative Clustering com restrição espacial. Os resultados mostram que os modelos segmentados superam discretamente o modelo global, com melhorias substanciais no coeficiente de determinação (R²), bem como reduções no erro absoluto médio (MAE) e no erro quadrático médio (RMSE). O modelo baseado em Agglomerative Clustering apresentou o melhor desempenho geral para ambas as variáveis-alvo, destacando a contribuição da segmentação espacial para capturar padrões locais e aprimorar a acurácia preditiva na modelagem geometalúrgica. Esses achados reforçam a importância de considerar a heterogeneidade espacial na modelagem preditiva de depósitos minerais.