はじめに

XGBoostとLightGBMは、機械学習の構造化データにおいて最も使用される勾配ブースティング系アルゴリズムです。本記事では、両者の速度・精度・特徴・使いどころを、実務目線で明確に比較します。
「どっちを使うべきか」を最短で判断できる構成に整理しています。

結論（最初に要点だけ）

• 速度：LightGBMのほうが圧倒的に速く、メモリ効率も高い
• 精度：ケースバイケース。カテゴリ変数に強いLightGBMが有利な場面が多い
• 大規模データ：LightGBM
• 小規模データ：XGBoost（過学習耐性がやや高い）
• 特徴量の複雑さ：XGBoost
• カテゴリ多いデータ：LightGBM（自動的に扱える）

---

1. XGBoostとLightGBMの基本的な違い

XGBoostの特徴

• 勾配ブースティング決定木の高速・高精度版
• 欠損値処理が強い（自動で最適方向へ送る）
• 木の生成が「深さ優先」
• ハイパーパラメータが多く、細かくチューニング可能
• 小〜中規模データで安定した精度が出る

LightGBMの特徴

• Microsoftが開発した高速GBDT
• Leaf-wise（葉優先）成長で圧倒的に速度が速い
• カテゴリ変数をそのまま使える
• 大規模データでも学習が重くならない
• GPU学習との相性も良い

---

2. 学習速度の違い【LightGBMが圧倒的に速い】

LightGBMが速い理由

• Leaf-wise の木の伸ばし方により、重要な特徴量を優先して深掘りできる
• ヒストグラムベース の学習方式で計算が軽い
• カテゴリ変数を事前エンコーディングせずに学習可能（＝前処理が少ない）

XGBoostの速度

• 過去バージョンではLightGBMより遅かった
• 現在はhistアルゴリズムによりかなり改善
• とはいえ大規模データになるほどLightGBMの優位性が出る

速度で迷ったらほぼLightGBM一択。

---

3. 精度の違い【ケースバイケース】

XGBoostが精度で勝ちやすいケース

• データが小〜中規模
• 特徴量の関係が複雑（カテゴリの組み合わせなど）
• 過学習を強めに抑えたい（正則化が強力）

LightGBMが精度で勝つケース

• 大規模データ（10万行〜）
• カテゴリ変数が多い
• 大量の特徴量がある
• GPUで高速学習したい場合

実務ではLightGBMが優勢になる場面が増えている。

---

4. 過学習への強さの違い

• XGBoost：L1/L2正則化が強力で、過学習に比較的強い
• LightGBM：Leaf-wise成長は高精度だが過学習しやすい
  • → max_depth を設定することで改善可能

---

5. 特徴量処理・カテゴリ変数の扱い

XGBoost

• one-hot or label encoding が必要
• カテゴリが多いと次元が増えて重くなる

LightGBM

• カテゴリをそのまま学習可能
• 膨大なカテゴリでも高速
• そのため「ECデータ」「広告データ」「ログデータ」などで強みを発揮

---

6. メモリ使用量の違い

• LightGBM：メモリ効率が良い
• XGBoost：行列処理が重くなると一気にメモリ消費が増える
  → 大規模データではLightGBMが安定

---

7. どちらを使うべきか？ケース別の最適解

小規模データ（〜数万行）

→ XGBoost
理由：過学習に強く、安定的に精度が出る。

中〜大規模データ（10万〜1000万行）

→ LightGBM
理由：速度とメモリ効率が圧倒的。

カテゴリ変数が多いデータ

→ LightGBM
理由：カテゴリ直接学習が強力。

モデル精度を追求したい場面

→ 両方試すのが最適
（Kaggleでも常識）

---

8. コード比較（最小構成）

XGBoost（分類）

from xgboost import XGBClassifier

model = XGBClassifier(
    n_estimators=200,
    max_depth=6,
    learning_rate=0.1,
    subsample=0.8,
    colsample_bytree=0.8
)
model.fit(X_train, y_train)

LightGBM（分類）

import lightgbm as lgb

model = lgb.LGBMClassifier(
    n_estimators=200,
    max_depth=-1,
    learning_rate=0.1,
    num_leaves=31
)
model.fit(X_train, y_train)

---

9. ハイパーパラメータの要点

XGBoost

• max_depth
• min_child_weight
• gamma
• subsample
• colsample_bytree

→ 木を浅くして正則化を強めると過学習に強い

LightGBM

• num_leaves
• max_depth
• min_data_in_leaf
• feature_fraction
• bagging_fraction

→ num_leavesが大きすぎるとすぐ過学習

---

10. まとめ

観点	XGBoost	LightGBM
学習速度	普通	圧倒的に速い
精度	小規模で安定	大規模で強い
カテゴリ変数	弱い（前処理必要）	強い（そのまま可）
メモリ使用量	多め	少なめ
過学習耐性	強い	調整が必要
実務利用の多さ	多い	急増中

▼使い分けの最適解

• まずLightGBMで試す
• 精度に不満があればXGBoostも試す
• 小規模データなら最初からXGBoost

---

関連記事（内部リンク用）

• 【初心者向け】XGBoostとは？特徴と仕組みをやさしく解説
• XGBoost・LightGBM・CatBoostの違いを比較｜3つの使い分け完全ガイド
• LightGBMとは？仕組み・特徴・パラメータを分かりやすく解説