下面是一个简单的示例代码，演示了如何使用Python的sklearn库中的随机森林分类算法进行分类：
from sklearn.ensemble import RandomForestClassifierfrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_score# 加载数据集iris = load_iris()X, y = iris.data, 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_classifier = RandomForestClassifier(n_estimators=100, random_state=42)# 在训练集上训练随机森林分类器rf_classifier.fit(X_train, y_train)# 在测试集上进行预测y_pred = rf_classifier.predict(X_test)# 计算准确率accuracy = accuracy_score(y_test, y_pred)print("准确率:", accuracy)在上面的代码中，首先我们使用load_iris函数加载了一个经典的鸢尾花数据集作为示例数据。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，我们创建了一个参数中指定了100个决策树的随机森林分类器，并使用训练集对其进行训练。最后，使用训练好的模型对测试集进行预测，并计算预测准确率。
