要实现随机森林算法，可以使用sklearn库中的RandomForestClassifier类。下面是一个简单的例子：
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)
# 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(y_pred)
上述代码首先加载了鸢尾花数据集，然后划分训练集和测试集。接下来创建了一个包含100棵决策树的随机森林分类器，并使用训练集进行训练。最后，在测试集上进行预测并输出结果。
需要注意的是，随机森林算法还有很多参数可以调整，例如n_estimators表示决策树的数量，max_depth表示决策树的最大深度等。根据具体的问题和数据集，可以根据需要调整这些参数来优化模型的性能。