一、一堆数据如何分类计数？
对于一堆待分类计数的数据，可以采用机器学习中的分类算法进行处理。首先，需要对数据进行预处理、清洗和特征提取，以便机器学习算法能够识别和区分不同的类别。
然后，可以使用一些经典的分类算法（如决策树、朴素贝叶斯、支持向量机等）进行训练模型，对数据进行分类。
最后，将测试数据输入分类器，根据训练的模型输出不同的分类结果和计数。需要注意的是，分类计数的结果应该经过评估，以验证分类器的准确性和鲁棒性。
二、为何随机森林的机器学习统计模型预测法官投票准确率胜过专家？
因为随机森林的机器学习统计模型进行了大量的数据分析，该模型先学习了1816年到2015年最高法院案例特征与裁决结果之间的关联，然后按年份研究每个案例的特征并预测裁决结果，最后被“投喂”关于该年份裁决结果实际信息的算法升级了预测策略，并继续进行下一年的预测。
用计算机算法预测法官行为并不稀奇。
2011年，西班牙学者在一项研究中，使用1953年到2004年任意8名法官的投票，来预测同一案件中第9名法官的投票，准确率为83%；2004年，美国学者使用1994年以来一直在法院工作的9名法官的判决，来预测2002年案件的判决结果，准确率为75%。
而伊利诺伊大学理工学院法学教授丹尼尔·卡茨的团队利用最高法院数据库，为每个投票标注了16个特征，包括法官任期、诉讼发起法庭、口头辩论是否被听到等，创建了最先进的算法。
对1816年到2015年美国最高法院的判决进行预测，准确率高于70%，较知识渊博的法律专家（预测准确率为66%）更胜一筹。
结果显示，对于28000项判决结果及24万张法官投票，新模型算法预测的正确率分别为70.2%和71.9%。相关研究文章发表在《公共科学图书馆·综合》（PLOSONE）上。