要实现随机森林算法，可以使用Python的scikit-learn库。下面是一个示例代码，演示如何使用scikit-learn库中的RandomForestClassifier类来实现随机森林算法：

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)

在上面的示例中，首先从scikit-learn库中导入了RandomForestClassifier类，并从sklearn.datasets模块中导入了一个用于练手的经典数据集iris。然后，将数据集分成训练集和测试集，接着创建了一个随机森林分类器对象rf，并使用训练数据进行训练。最后，使用测试集进行预测，并打印预测结果。

需要注意的是，在实际使用中，可以根据具体问题和数据集的特点调整随机森林的参数，例如n_estimators（决策树的数量）、max_depth（树的最大深度）等。