ローカル実測/機械学習

scikit-learnとXGBoostのローカル学習を比較

この記事の料金・仕様は時点で各社の公式ページを確認したものです。

同じ表データが二つの学習道具に渡され、予測が出てくる様子の抽象イラスト

学習と推論にかかった時間、予測が食い違った件数を、同じデータで並べました。データの大きさで、速い道具が入れ替わる場面も載せています。

結論

表データの分類を、手元のCPUで何度も学習し直す人は
データが大きいほど、XGBoostが有利になります。手元の測定では、大きいほうの学習データで、学習も推論もXGBoostのほうが短く終わりました。
小さめのデータで、Pythonの機械学習をまとめて覚えたい人は
scikit-learnが向いています。小さいほうの学習データでは、学習の時間はscikit-learnが先に終わり、正解数も上回りました。
学習のあとに、予測を大量に返す人は
XGBoostが向いています。手元の測定では、どちらのデータの大きさでも、推論はXGBoostが短く終わりました。

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-learnXGBoost
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-learnXGBoost
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。

出典: 各社の公式ページ(2026年11月14日確認)

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-learnXGBoost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. 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. 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。
出典: 各社の公式ページ(2026年11月14日確認)

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

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。

このサイトで測った元データ

更新履歴

  1. 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

    一次ソース

関連記事