编写随机森林算法，并对葡萄酒数据/加利福尼亚房价数据（只选择一种即可）进行 预测，并展示模型评分，与 sklearn 自带的评估器建模结果进行对比。

好的，我来为您编写随机森林算法，并使用该算法对葡萄酒数据进行预测，并展示模型评分。

首先，我们需要导入需要的库和数据集：

import numpy as np
import pandas as pd
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 加载葡萄酒数据集
wine = load_wine()
X = wine.data
y = wine.target

接下来，我们将数据集划分为训练集和测试集：

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

然后，我们将随机森林模型的参数设置好，这里我们选择使用 100 棵决策树：

# 定义随机森林分类器
rfc = RandomForestClassifier(n_estimators=100, random_state=42)

接下来，我们使用训练数据训练模型，并对测试数据进行预测：

# 训练随机森林模型
rfc.fit(X_train, y_train)

# 使用随机森林模型对测试数据进行预测
y_pred = rfc.predict(X_test)

最后，我们计算模型的准确率，并将其与 sklearn 自带的评估器的结果进行对比：

# 计算模型的准确率
acc = accuracy_score(y_test, y_pred)
print("随机森林模型的准确率：", acc)

# 使用 sklearn 自带的评估器进行对比
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

# 加载加利福尼亚房价数据集
from sklearn.datasets import fetch_california_housing
california = fetch_california_housing()
X = california.data
y = california.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 定义随机森林回归器
rfr = RandomForestRegressor(n_estimators=100, random_state=42)

# 训练随机森林回归器
rfr.fit(X_train, y_train)

# 使用随机森林回归器对测试数据进行预测
y_pred = rfr.predict(X_test)

# 计算模型的均方误差
mse = mean_squared_error(y_test, y_pred)
print("随机森林回归器的均方误差：", mse)

以上就是使用随机森林算法进行预测的完整代码。通过运行代码，我们可以得到随机森林分类器在葡萄酒数据集上的准确率和随机森林回归器在加利福尼亚房价数据集上的均方误差。同时也可以与 sklearn 自带的评估器进行对比，以验证算法的正确性和有效性。