要实现随机森林算法，你可以使用scikit-learn库中的RandomForestClassifier类。下面是一个示例代码：
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建随机森林分类器
rf = RandomForestClassifier(n_estimators=100, random_state=42)
# 在训练集上训练模型
rf.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = rf.predict(X_test)
# 输出预测结果
print("预测结果:", y_pred)
# 输出准确率
accuracy = sum(y_pred == y_test) / len(y_test)
print("准确率:", accuracy)
在上面的代码中，我们首先加载了一个经典的鸢尾花数据集。然后使用train_test_split函数将数据集划分为训练集和测试集。接下来，我们使用RandomForestClassifier类创建一个随机森林分类器，并设置参数n_estimators为100，表示森林中树的数量。然后使用训练集对模型进行训练，最后使用测试集进行预测，并计算准确率。