下面是一个简单的示例，展示了如何使用Python编写一个机器学习分类器算法。这里使用的是sklearn库中的决策树算法。

首先，我们需要导入所需的库：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

然后，我们可以加载一个示例数据集来进行训练和测试：

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

接下来，我们可以创建并训练一个决策树分类器：

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练分类器
clf.fit(X_train, y_train)

然后，我们可以使用训练好的分类器对测试集进行预测，并计算准确率：

# 对测试集进行预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

以上就是一个简单的机器学习分类器算法的示例。你可以根据自己的需求和数据集选择不同的分类器算法，并进行相应的调整和优化。