はじめに

GBDT（Gradient Boosting Decision Tree）系アルゴリズムは「構造化データに最も強い」とされ、実務・コンペ問わず利用される手法です。
中でも代表的なのが XGBoost / LightGBM / CatBoost の3つ。
本記事では、それぞれの特徴・速度・精度・カテゴリ変数の扱い・使い分けを明確に整理し、「どれを選ぶべきかが一目でわかる」構成にしています。

---

結論：3つの最適な使い分け

最初にいちばん大事な結論だけ。

モデル	得意領域	向くケース
XGBoost	小〜中規模・正則化が強い・安定した精度	過学習を抑えたい、欠損値処理を楽にしたい
LightGBM	速度最速・大規模データ・カテゴリに強い	データが大きい、カテゴリが多い、圧倒的に速く回したい
CatBoost	カテゴリ最強・精度が高い	カテゴリ変数が大量、多段カテゴリ、前処理を減らしたい

つまり：

この三角形のバランスで判断すれば失敗しません。

---

モデルの特徴まとめ

XGBoost

最も“汎用的”で、機械学習初心者〜実務者まで幅広く使われる。

---

LightGBM

現代の実務では採用率トップクラス。

---

CatBoost

“カテゴリ地獄”のデータでは無類の強さ。

---

各モデルの速度・精度・扱いやすさを比較

速度比較（LightGBMが圧勝）

モデル	速度
LightGBM	最速
CatBoost	中程度（そこそこ速い）
XGBoost	比較的遅い（histで改善）

大規模データではLightGBMがほぼ一択。

---

精度比較（CatBoostがやや有利な場面あり）

モデル	精度傾向
XGBoost	安定して高い
LightGBM	精度は状況次第、カテゴリ多いと強い
CatBoost	特にカテゴリデータで強い

カテゴリ変数の処理次第で精度が大きく変わる。

---

カテゴリ変数の扱い

モデル	カテゴリ処理
XGBoost	前処理必須（one-hot/label）
LightGBM	直接学習可
CatBoost	最強。前処理不要、効果が安定

EC・広告・業務データなど、カテゴリが爆発する場面で差が出る。

---

メモリ使用量

• LightGBM：最も少なく軽い
• CatBoost：中程度
• XGBoost：多め

---

どれを使うべきか？ケース別ガイド

ケース	最適モデル	理由
データが巨大（10万〜1000万行）	LightGBM	ヒストグラム法で高速＆省メモリ
カテゴリが多い	CatBoost	ネイティブにカテゴリ処理が強い
欠損値をラクに扱いたい	XGBoost	欠損値の自動方向学習が優秀
とりあえずGBDTの王道を知りたい	XGBoost	最も汎用で学習コストが低い
GPUで爆速学習したい	LightGBM / XGBoost（GPU版）	GPU対応が強力
パラメータをほぼ触りたくない	CatBoost	デフォルトが強い

---

コード比較（最低限の実行例）

XGBoost

from xgboost import XGBClassifier
model = XGBClassifier()
model.fit(X_train, y_train)

LightGBM

import lightgbm as lgb
model = lgb.LGBMClassifier()
model.fit(X_train, y_train)

CatBoost

from catboost import CatBoostClassifier
model = CatBoostClassifier(verbose=0)
model.fit(X_train, y_train)

---

実務での選ばれ方（リアルな使い分け）

領域・用途	推奨モデル	理由
広告・マーケティング	LightGBM / CatBoost	カテゴリ変数が多く、大規模データでも高速・高精度
金融スコアリング	XGBoost / CatBoost	安定性が求められ、説明性が重要になるため
需要予測	LightGBM	超高速学習が可能で、特徴量が多くても安定
製造・品質管理	XGBoost	挙動が安定しており、モデル解釈が行いやすい

---

まとめ

---

関連記事（内部リンク）

-【初心者向け】XGBoostとは？特徴・仕組み・使い方をわかりやすく解説

• XGBoostとLightGBMの違い｜速度・精度・特徴を徹底比較【実務向け】