要實現隨機森林算法，可以使用sklearn庫中的RandomForestClassifier類。下面是一個簡單的例子：
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
# 加載數據集
iris = load_iris()
X = iris.data
y = iris.target
# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 創建隨機森林分類器
rf = RandomForestClassifier(n_estimators=100, random_state=42)
# 訓練模型
rf.fit(X_train, y_train)
# 在測試集上進行預測
y_pred = rf.predict(X_test)
# 輸出預測結果
print(y_pred)
上述代碼首先加載了鳶尾花數據集，然后劃分訓練集和測試集。接下來創建了一個包含100棵決策樹的隨機森林分類器，并使用訓練集進行訓練。最后，在測試集上進行預測并輸出結果。
需要注意的是，隨機森林算法還有很多參數可以調整，例如n_estimators表示決策樹的數量，max_depth表示決策樹的最大深度等。根據具體的問題和數據集，可以根據需要調整這些參數來優化模型的性能。
