使用Python语言编程，使用 iris 数据集训练一个RandomForestClassifier 随机森林分类器。RandomForestClassifier 在 scikit-learn 库的 ensemble 包之中

在Python中，我们可以使用scikit-learn库来训练一个随机森林分类器（RandomForestClassifier）。Iris数据集是一个经典的机器学习入门示例，包含了150个样本，每个样本有4种特征（花瓣长度、花瓣宽度、萼片长度和萼片宽度），属于三个不同的物种。

以下是使用iris数据集和RandomForestClassifier的一个简单步骤：

1. 导入所需的库和数据集：

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

2. 加载并预处理数据：

iris = datasets.load_iris()
X = iris.data
y = iris.target

3. 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)

4. 创建并训练随机森林分类器：

rfc = RandomForestClassifier(n_estimators=100, random_state=42)  # n_estimators控制决策树的数量
rfc.fit(X_train, y_train)

5. 进行预测并评估模型性能：

y_pred = rfc.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这个例子中，我们设置了100棵决策树，并通过fit()函数让模型学习数据。然后用test数据集进行预测，计算准确率。