不要用RandomForestClassifier类，用底层代码搭建一个随机森林的算法，并且加入特征的随机选取

明白了，你想要使用底层代码自己搭建一个随机森林算法，并且加入特征的随机选取。下面是一个示例代码，演示了如何实现：

import numpy as np

class DecisionTree:
    def __init__(self):
        self.feature_indices = None
        self.tree = None

    def fit(self, X, y):
        # 在这里编写决策树的训练代码
        # ...

    def predict(self, X):
        # 在这里编写决策树的预测代码
        # ...
        return y_pred

class RandomForest:
    def __init__(self, n_estimators=100, max_features=None, random_state=None):
        self.n_estimators = n_estimators
        self.max_features = max_features
        self.random_state = random_state
        self.trees = []

    def fit(self, X, y):
        np.random.seed(self.random_state)
        for _ in range(self.n_estimators):
            # 随机选择特征子集
            if self.max_features is None:
                num_features = X.shape[1]
            else:
                num_features = min(self.max_features, X.shape[1])
            feature_indices = np.random.choice(X.shape[1], size=num_features, replace=False)

            # 使用特征子集构建决策树
            tree = DecisionTree()
            tree.feature_indices = feature_indices
            tree.fit(X[:, feature_indices], y)

            # 将训练好的决策树添加到随机森林中
            self.trees.append(tree)

    def predict(self, X):
        predictions = np.zeros((X.shape[0], len(self.trees)))
        for i, tree in enumerate(self.trees):
            feature_indices = tree.feature_indices
            predictions[:, i] = tree.predict(X[:, feature_indices])

        y_pred = np.mean(predictions, axis=1)
        return y_pred

# 准备训练数据和目标变量
X_train = ...
y_train = ...

# 创建随机森林分类器
rf_classifier = RandomForest(n_estimators=100, max_features=3, random_state=42)

# 训练模型
rf_classifier.fit(X_train, y_train)

# 使用模型进行预测
X_test = ...
y_pred = rf_classifier.predict(X_test)

在上面的示例中，我们首先定义了一个`DecisionTree`类来实现决策树的训练和预测功能。在随机森林的训练过程中，我们在每个决策树的训练中随机选择一部分特征进行训练。这里使用了`np.random.choice`函数来进行特征的随机选择。然后，定义了一个`RandomForest`类来实现随机森林的训练和预测功能。在训练过程中，我们使用特征子集构建决策树，并将训练好的决策树添加到随机森林中。最后，使用随机森林对测试数据进行预测。

希望对你有所帮助！如果有其他问题，请随时提问。