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 RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from 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。
