1万行の学習は432292458ナノ秒のscikit-learnが先に終わり、10万行ではXGBoostが1197525125ナノ秒で逆転しました。
予想と違ったのは推論です。
2万行の予測を20回流す時間は、1万行で学習させたモデルでも、scikit-learnが2689296000ナノ秒、XGBoostが972137458ナノ秒でした。
ナノ秒は、10億分の1秒を表す単位です。 読み終わると、自分のデータの大きさと使い方から、どちらを選ぶかを数字で決められます。
学習時間:1万行ではscikit-learn、10万行ではXGBoostが先に終わりました
学習は、データから予測のルールを作る作業です。 今回は、どちらの道具も同じ人工データで、木を100本作らせました。
scikit-learnは、SciPyの上に作られた、Pythonの機械学習のモジュールです。 XGBoostは、勾配ブースティング(木を少しずつ足して予測を直していく方法)に特化したライブラリです。
使ったデータは、特徴が20個ある2択の分類問題です。 学習は1万行と10万行の2通りで、評価には別の2万行を使いました。
次の表で、1スレッド(作業員1人)で測った、1回目の学習時間を見てください。
| 学習データの行数 | scikit-learn | XGBoost |
|---|---|---|
| 1万行 | 432292458ナノ秒 | 466923250ナノ秒 |
| 10万行 | 1616728750ナノ秒 | 1197525125ナノ秒 |
1万行では、scikit-learnがわずかに短く終わりました。 10万行になると、XGBoostのほうが短くなります。
5回測ると値は動きます。 10万行のscikit-learnは、2回目が1907146750ナノ秒、5回目が1988465417ナノ秒でした。
データが大きくなるほど、XGBoostの並列の仕組みが効いてくる、という筋書きに合います。 ただ、その理由を切り分ける測定は、今回の記録にありません。
出典: scikit-learn公式のGitHubページ、XGBoost公式のGitHubページ(2026年11月14日確認)
推論時間:どちらのデータの大きさでも、XGBoostが短く終わりました
推論は、学習済みのモデルに新しいデータを渡して、予測を出させる作業です。 測ったのは、2万行を渡して確率を返させる処理を、20回続けた時間です。
1スレッドの1回目の値は、次のとおりです。
| 学習データの行数 | scikit-learn | XGBoost |
|---|---|---|
| 1万行 | 2689296000ナノ秒 | 972137458ナノ秒 |
| 10万行 | 3383951292ナノ秒 | 1343899208ナノ秒 |
どちらの行も、XGBoostが短く終わっています。 10万行の学習データから作ったモデルでは、scikit-learnの5回目が4645770625ナノ秒、XGBoostの5回目が2447846167ナノ秒でした。
予測を返す側の速さが大事なら、この差は効いてきます。 学習は一度で済んでも、予測は何度も流れるからです。
道具ごとの一言まとめ
scikit-learn
Pythonの機械学習を広く扱う定番のモジュールです。小さい学習データでは、学習が先に終わりました。
XGBoost
勾配ブースティングに特化した道具です。推論は、測った全ての場面で短く終わりました。
上のカードで、道具ごとの違いを一言で確かめられます。
出典: scikit-learn公式のGitHubページ、XGBoost公式のGitHubページ(2026年11月14日確認)
予測結果:正解数は近く、予測の食い違いは数百件でした
評価に使った2万行のうち、正解した件数を並べます。 正解の判定は、確率が0.5以上かどうかで決めました。
| 学習データの行数 | scikit-learn | XGBoost | 予測が食い違った件数 |
|---|---|---|---|
| 1万行 | 18466件 | 18449件 | 501件 |
| 10万行 | 18902件 | 18914件 | 268件 |
1万行ではscikit-learnが、10万行ではXGBoostが、わずかに多く当てました。 差は、2万行のうち十数件です。
食い違いが出るのは、二つのモデルが同じものではないからです。 木の数や学習率などの主な設定はそろえましたが、残りの設定は、道具ごとに違います。
学習データを10倍にすると、食い違いは501件から268件に減りました。 データが増えると、二つのモデルの答えが近づく様子が見えます。
出典: scikit-learn公式のGitHubページ、XGBoost公式のGitHubページ(2026年11月14日確認)
ここが落とし穴:全スレッドで測った時間は、同じ処理でも大きくぶれました
論理CPUをすべて使う条件では、同じ処理でも時間が大きくぶれました。 1万行のscikit-learnの学習は、3回目が23147321000ナノ秒、4回目が5312700458ナノ秒です。
同じ処理で、4倍以上の差です。 XGBoostの1万行の学習も、1回目が4915150750ナノ秒、4回目が1638167375ナノ秒でした。
そこで、速さの比べ方は1スレッドの結果を主に読みました。 全スレッドの値は、速度の優劣を決める材料に使っていません。
自分のMacで測るときも、同じ処理を何度か流して、ぶれの幅を先に見てください。 1回だけの測定では、道具の差と、ぶれの差を見分けられません。
向く人と向かない人:大きなデータと推論ならXGBoost、小さなデータならscikit-learn
結論から言うと、大きなデータや予測の数が多い用途はXGBoost、小さなデータで広く学ぶならscikit-learnです。 選ぶ理由は、三つに絞れます。
① 推論の時間です。1万行で学習したモデルの推論は、scikit-learnが2689296000ナノ秒、XGBoostが972137458ナノ秒でした。
② 学習時間の逆転です。1万行はscikit-learn、10万行はXGBoostが先に終わりました。
③ 道具の広さです。scikit-learnは、機械学習を広く扱い、可視化の機能も持ちます。XGBoostは、分散環境でも同じコードが動きます。
次の図で、自分の使い方に合う道具をたどってください。
scikit-learnとXGBoostの選び方
- 1. 予測を大量に、繰り返し返しますか?はい → XGBoostを選びます。手元の測定では、推論が全ての場面で短く終わりました。いいえ → 次は質問2です。
- 2. 学習データが十万行ほどに大きくなりますか?はい → XGBoostを選びます。学習の時間も、XGBoostが短く終わりました。いいえ → scikit-learnで始めてください。小さい学習データでは、学習が先に終わりました。
代わりに見る道具もあります。 LightGBMやCatBoostも、同じ勾配ブースティングの仲間です。
ライセンスは、scikit-learnがBSD系、XGBoostがApacheです。 どちらも、オープンソースとして公開されています。
出典: scikit-learn公式のGitHubページ、XGBoost公式のGitHubページ(2026年11月14日確認)
測定と比較の範囲
測ったのは、2026年11月14日に、macOS 27.2.1のApple M4 Pro(論理CPU12)で動かした記録です。 CPythonは3.14.10、scikit-learnは1.9.1、XGBoostは3.4.1です。
データは、scikit-learnの人工データ生成の機能で作った2択の分類問題です。 特徴は20個で、学習は1万行と10万行、評価は2万行にしました。
scikit-learnはHistGradientBoostingClassifier、XGBoostはhistの方式を使いました。 木は100本、学習率は0.1、葉は31、正則化は0、ビンの数は255にそろえています。
学習は1回の実行を計り、推論は2万行の予測を20回続けた時間を計りました。 各条件で1回の準備運転をしたあと、5試行を交互の順で測っています。
取得、データ生成、インポート、指標の計算は、時間に入れていません。 スレッドは、1の条件と、既定の12の条件で流しました。
XGBoostは、macOSの公開版ではOpenMPの部品を同梱しません。 そこで、scikit-learnが同梱する部品を共有して動かしました。通常の導入とは条件が違う可能性があります。
今回の範囲に入れていないものは、次のとおりです。 GPU、外部の推論サービス、ハイパーパラメータの探索、メモリの使用量、他のモデルです。
実際の業務データでは、欠けた値やカテゴリの列で、時間も正解数も変わります。 自分のデータで測ってから、選んでください。
出典
- scikit-learn公式のGitHubページ: https://github.com/scikit-learn/scikit-learn
- XGBoost公式のGitHubページ: https://github.com/dmlc/xgboost
変更履歴
- 2026年11月14日: 初版。同じ人工データで測った学習時間・推論時間・予測結果を掲載した。
