LightGBMとは？XGBoostとの違いと使い分けを初心者向けにやさしく解説

ランダムフォレスト、XGBoostと来て、機械学習入門シリーズもいよいよ第6回。今回は、XGBoostと並ぶ勾配ブースティングのもう一つの定番、LightGBM（ライトジービーエム）です。

Kaggleや実務のテーブルデータ分析では、「とりあえずLightGBM」と言われるほどよく使われます。理由はシンプルで、速くて、軽くて、精度も高いから。この記事では、LightGBMの仕組み、XGBoostとの違い、使い分け、Pythonでの実装までを初心者向けに整理します。

ルミィ

名前のとおり「軽い（Light）」が最大の個性。大きなデータほど、ありがたみが分かるよ。

LightGBMとは？

LightGBMは、Microsoft発のオープンソースの勾配ブースティング（Gradient Boosting）ライブラリです。XGBoostと同じく「弱い決定木を少しずつ改善しながら積み上げる」仕組みで、テーブルデータ（表形式データ）の予測で高い精度を出します。

ポジションを一言でいうと、「XGBoostと同じ系統で、大規模データをより速く・少ないメモリで処理できるように設計されたライブラリ」です。

• 速い：同じデータならXGBoost（従来設定）より数倍速いことも
• 軽い：ヒストグラム化により、メモリ使用量が少ない
• 高精度：勾配ブースティング系の精度はそのまま
• カテゴリ変数を直接扱える：ワンホットエンコーディングなしでも学習できる

速さの秘密は2つ｜ヒストグラム化とleaf-wise

①ヒストグラム化｜数値を「ざっくりビン」にまとめる

LightGBMは、連続値の特徴量をそのまま使わず、一定数のビン（区間）に分けたヒストグラムに変換してから分割点を探します。細かい値を全部見比べる代わりに「ざっくりまとめてから探す」ので、計算量とメモリが大きく減ります。

②leaf-wise｜効きそうな葉だけを深く伸ばす

決定木の育て方には2つの流儀があります。XGBoostの従来方式はlevel-wise（段ごとに均等に広げる）、LightGBMはleaf-wise（損失が最も減る葉を選んで深く伸ばす）です。

leaf-wiseは同じ葉の数ならlevel-wiseより損失を小さくしやすい、つまり効率よく精度を上げられる方式です。そのぶん、データが少ないと深く伸びすぎて過学習しやすいという弱点があり、max_depthなどで深さを抑えるのがセットになります。

XGBoostとの違いを表で整理

使い分けの目安

• データが大きい（数十万行〜）・特徴量が多い・速度重視 → LightGBM
• 数千〜数万行の小さめデータで堅実に → XGBoost（またはランダムフォレスト）
• カテゴリ変数が多い → LightGBM（直接扱えるため前処理が楽）
• まず精度の当たりを付けたい → どちらか一方でOK。両方試して交差検証で比べるのが確実

実務では「どちらかが圧勝」というより、データ規模と前処理の手間で選ぶのが現実的です。精度はチューニング次第で拮抗することが多いです。

Pythonで使ってみる

インストールはpipで一発です。

pip install lightgbm

scikit-learnと同じ書き方（fit／predict）で使えます。

import lightgbm as lgb
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42)

model = lgb.LGBMClassifier(
    n_estimators=300,
    learning_rate=0.05,
    num_leaves=31,
    random_state=42)
model.fit(X_train, y_train)

pred = model.predict(X_test)
print("accuracy:", accuracy_score(y_test, pred))

LGBMClassifier（分類）とLGBMRegressor（回帰）の2つを覚えれば、シリーズでやってきたscikit-learnの流れがそのまま通用します。

最初に触る5つのパラメータ

leaf-wiseの複雑さを直接決めるのはnum_leavesです。max_depthだけ調整してnum_leavesを放置すると意図どおりに効かないことがあるので、まずnum_leavesから触るのがLightGBM流です。

ルミィ

過学習っぽいな、と思ったら「num_leavesを下げる」「min_data_in_leafを上げる」。この2つが効き目わかりやすいよ。

よくあるつまずき

• 小さいデータで精度が不安定 → leaf-wiseの宿命。num_leavesを下げる／XGBoostやランダムフォレストも試す
• 訓練データだけ異常に精度が高い → 過学習。交差検証で確認し、min_data_in_leafを増やす
• カテゴリ変数の扱い → 文字列のままではなくcategory型に変換して渡す（pandasのastype("category")）

まとめ｜「大きいデータはまずLightGBM」でOK

LightGBMは、ヒストグラム化とleaf-wise成長で「速く・軽く・高精度」を実現した勾配ブースティングライブラリです。XGBoostとの関係は、敵対というより同系統の使い分け。データが大きいほどLightGBMの強みが活き、小さいデータでは過学習への注意が必要です。

シリーズの前回までは XGBoost・勾配ブースティング入門、ランダムフォレスト完全ガイド をどうぞ。

よくある質問（FAQ）

LightGBMとXGBoostはどちらを使えばいいですか？

A. データが大きい・特徴量が多い・速度を重視する場合はLightGBM、小さめのデータで堅実に進めたい場合はXGBoostが目安です。精度はチューニング次第で拮抗することが多いため、両方試して交差検証で比べるのが確実です。

なぜLightGBMは速いのですか？

A. 特徴量をヒストグラム（ビン）にまとめてから分割点を探すことと、損失が最も減る葉だけを深く伸ばすleaf-wise成長の2つが主な理由です。計算量とメモリ使用量の両方を抑えられます。

小さいデータでも使えますか？

A. 使えますが、leaf-wise成長の特性上、過学習しやすくなります。num_leavesを小さくする、min_data_in_leafを増やす、max_depthを制限するなどの調整が必要です。

GPUは必要ですか？

A. 必須ではありません。LightGBMはCPUでも十分高速に動作します。大規模データでさらに高速化したい場合に、GPU版を検討する形で十分です。

あわせて読みたい

参考・一次ソース

• LightGBM公式ドキュメント「Features」（lightgbm.readthedocs.io）
• LightGBM GitHubリポジトリ（github.com）

※本記事は2026年6月時点の公式ドキュメント・公開情報をもとに整理しています。ライブラリの仕様・推奨設定は変わることがあるため、最新情報は公式ドキュメントでご確認ください。

ルミィ

AIナビゲーター

YouTube

ChatGPT・Gemini・Claudeなどの会話AI、画像生成AI、動画生成AI、資料作成AI、AI検索ツールを初心者向けに解説するAIナビゲーター。実際に使ってみた感想や、仕事・学習・発信に役立つAI活用法をわかりやすく紹介しています。