一、一堆數據如何分類計數？

對于一堆待分類計數的數據，可以采用機器學習中的分類算法進行處理。首先，需要對數據進行預處理、清洗和特征提取，以便機器學習算法能夠識別和區分不同的類別。

然后，可以使用一些經典的分類算法（如決策樹、樸素貝葉斯、支持向量機等）進行訓練模型，對數據進行分類。

最后，將測試數據輸入分類器，根據訓練的模型輸出不同的分類結果和計數。需要注意的是，分類計數的結果應該經過評估，以驗證分類器的準確性和魯棒性。

二、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》（PLOSONE）上。