一、為何隨機森林的機器學習統計模型預測法官投票準確率勝過專家？

因為隨機森林的機器學習統計模型進行了大量的數據分析，該模型先學習了1816年到2015年最高法院案例特征與裁決結果之間的關聯，然后按年份研究每個案例的特征并預測裁決結果，最后被“投喂”關于該年份裁決結果實際信息的算法升級了預測策略，并繼續進行下一年的預測。

用計算機算法預測法官行為并不稀奇。2011年，西班牙學者在一項研究中，使用1953年到2004年任意8名法官的投票，來預測同一案件中第9名法官的投票，準確率為83%；2004年，美國學者使用1994年以來一直在法院工作的9名法官的判決，來預測2002年案件的判決結果，準確率為75%。

而伊利諾伊大學理工學院法學教授丹尼爾·卡茨的團隊利用最高法院數據庫，為每個投票標注了16個特征，包括法官任期、訴訟發起法庭、口頭辯論是否被聽到等，創建了最先進的算法。對1816年到2015年美國最高法院的判決進行預測，準確率高于70%，較知識淵博的法律專家（預測準確率為66%）更勝一籌。結果顯示，對于28000項判決結果及24萬張法官投票，新模型算法預測的正確率分別為70.2%和71.9%。相關研究文章發表在《公共科學圖書館·綜合》（PLOS ONE）上。

二、機器學習 模型 怎么確定參數的

那個不叫 區分模型 一般要叫判別模型

簡單說判別模型會描述從觀察到的現象會得到怎樣的結論 比如可以是類別等

生成模型會描述觀察到的現象是通過一種怎樣的數學結構產生的

三、在機器學習中,線性模型是很高效的,但是我不明白具體高效在什么地方?

線性模型參數少啊，這是他最大的優點。參數多了就容易過擬合，這是機器學習最大的問題之一。

奧卡姆剃刀原理告訴我們：滿足性能的條件下，模型越簡單越好。

一般調參都是先讓模型得出較好的性能，然后再逐步降低模型復雜度。