请写一段用随机森林分类预测单标签多分类数据的代码，不要直接调包sklearn，要求完整性和准确度高

随机森林（Random Forest）是一种集成学习算法，用于分类和回归任务。在Python中，我们可以从基础开始构建一个简单的随机森林模型，假设我们有一个包含特征和目标变量的数据集（`data`），以及对应的类别标签（`labels`）。这里我们将手动实现一些核心功能，比如数据预处理、特征选择和树的构建。注意，这只是一个简化版的示例，实际应用中会需要更多的错误检查和优化。

import numpy as np
from random import sample

# 假设 data 是一个二维数组，每一行代表一条样本，最后一列是目标变量
class RandomForestClassifier:
    def __init__(self, n_estimators=100, max_features='sqrt', min_samples_split=2):
        self.n_estimators = n_estimators
        self.max_features = max_features
        self.min_samples_split = min_samples_split
        self.trees = []

    def fit(self, data, labels):
        # 预处理：将标签离散化
        unique_labels = sorted(np.unique(labels))
        label_to_index = {label: i for i, label in enumerate(unique_labels)}

        # 对数据和标签进行转换
        X = [row[:-1] for row in data]
        y = [label_to_index[label] for label in labels]

        for _ in range(self.n_estimators):
            bootstrap_indices = sample(range(len(data)), len(data))  # 提取随机样例
            bootstrap_data = [data[i] for i in bootstrap_indices]
            bootstrap_labels = [labels[i] for i in bootstrap_indices]

            tree = DecisionTreeClassifier()  # 使用决策树作为基本组件
            tree.fit(bootstrap_data, bootstrap_labels)
            
            self.trees.append(tree)

    def predict(self, data):
        predictions = []
        for tree in self.trees:
            prediction = tree.predict(data)
            predictions.append(prediction)
        
        # 最终预测通过多数投票决定
        most_common = max(set(predictions), key=predictions.count)
        return np.array([most_common] * len(predictions))

# 自定义决策树
class DecisionTreeClassifier:
    # ... (实现决策树的核心逻辑，包括分裂节点等)

# 使用
clf = RandomForestClassifier()
clf.fit(data, labels)
predictions = clf.predict(test_data)  # test_data是你想预测的新数据