随机森林是一种灵活且广泛应用的机器学习算法，由多个决策树组成。它既可以用于分类问题，也可以用于回归问题，还能帮助进行特征选择。以下是对每种选项的分析：

A: 预测样本分类
- **正确**。随机森林非常适合用于分类任务。它通过多数决方式结合多棵决策树的预测结果，降低了过拟合的风险，从而提高了分类的准确性。

B: 用于样本排序
- **不完全正确**。随机森林本身并不是设计来进行样本排序的。然而，它可以通过分类概率或回归预测值对样本进行某种排序，但这不是其主要应用目标。

C: 用于特征选择
- **正确**。随机森林可以用于特征选择。它能够评估各个特征的重要性，通过特征重要性评分，帮助识别对预测有较大贡献的特征。

D: 用于回归预测
- **正确**。随机森林同样适用于回归问题。通过结合多棵决策树的预测值并计算平均值，随机森林能够为连续型数值预测提供较好的结果。

因此，正确答案是 A、C 和 D。随机森林在分类和回归任务中表现良好，并且能有效进行特征选择。