即使法律与法律对抗，数据仍然是赢家

beplay2网页登陆BigML的预测模型可以帮助我们发现数据集中什么时候“发生了什么事情”。举个例子，让我们来挖掘一下法律世界。

最近关于最高法院的书，比如杰弗瑞·罗森的最高法院和杰弗瑞图九个他们讨论了美国最高法院是如何变得越来越两极化，并且不像几十年前的法院那样愿意在大法官中找到共识。

假设这是真的，一个有趣的问题是，“在哪些类型的决定上存在最多的分歧?”幸运的是，我们有数据来回答这个问题:

http://scdb.wustl.edu/data.php

Harold J. Spaeth汇编了一份战后美国最高法院判决的清单，总计超过8300项。对于每个决定，Spaeth都关联了许多属性:所做决定的类型、所涉及的法律类型、所涉及的问题、下级法院的决定、该决定本质上是保守的还是自由的，等等。他还给出了每个案例中少数人的票数。我们可以通过将每个决策标记为“有争议=赞成”(如果决策的少数投票规模为3或3以上)，并将“有争议=反对”(如果决策的少数投票规模为2、1或0)，从而得出一个简单的分类问题。

我们可以使用BigMLbeplay2网页登陆的预测模型来帮助我们识别有争议的投票的特定类型的案例。根据这些数据生成树，我们可以将鼠标移到树的更高级别的各个节点上。如果节点“预期”有争议的投票，这意味着决策树中到达该节点的大多数(但不是所有)案例都是有争议的，这可能是一个值得进一步研究的有趣节点。

在树的第二个“层次”上，我们只看到少数几个节点期望有争议的投票。其中一个案例的问题是“第一修正案”，其中的决定是“确认”下级法院的决定:

第一修正案中决定推翻下级法院的案件没有那么多争议:

但为什么止步于此呢?决策树的美妙之处在于它能够更深入地挖掘和发现更具体的见解。扩大上述争议路径，我们可以看到，第一修正案中决定确认，而下级法院决定撤销的案件，只有当决定的基础是司法审查时，才被列为正面分类。当然，人们可以想象司法审查管辖第一修正案自由的法律在法院是一个非常有争议的话题。

在其他一些投票容易引起争议的领域是正当程序和民权，这两个领域都是非常敏感的，当法院援引对州法律的司法审查时，分歧往往发生得最多。为什么会这样呢?

一种可能是，在上世纪中后期，法院开始使用正当程序来保护宪法中没有明确保护的权利，通常保护的是实践(the分布的避孕例如，州法律禁止的。再一次，很容易想象大法官们对这种正当程序的新应用意见不一。

相比之下，我们看到大法官们在工会、经济活动和联邦税收等领域的分歧最小。所有这些都很重要，但总体上不像《第一修正案》那样充满意识形态色彩。

所以我们能够，使用这些数据，得到一个相当丰富的图片，当最高法院的法官们意见不一致时。无论你自己的直觉是被这棵树证实还是否定，有数据为我们指明正确的方向是很好的。