如何不调用sklearn，用python实现svc

如果您不想使用Scikit-learn库，可以使用Python的NumPy和cvxopt库来实现支持向量机（SVM）。以下是一个简单的示例：

import numpy as np
from cvxopt import matrix, solvers

# 生成数据集
X = np.array([[1, 2], [2, 3], [3, 1], [4, 2], [3, 3], [1, 3]])
y = np.array([-1, -1, -1, 1, 1, 1])

# 定义核函数
def linear_kernel(x1, x2):
    return np.dot(x1, x2)

# 计算Gram矩阵
n_samples, n_features = X.shape
K = np.zeros((n_samples, n_samples))
for i in range(n_samples):
    for j in range(n_samples):
        K[i,j] = linear_kernel(X[i], X[j])

# 定义优化问题
P = matrix(np.outer(y, y) * K)
q = matrix(np.ones(n_samples) * -1)
A = matrix(y, (1, n_samples))
b = matrix(0.0)

G = matrix(np.diag(np.ones(n_samples) * -1))
h = matrix(np.zeros(n_samples))

# 解决优化问题
sol = solvers.qp(P, q, G, h, A, b)

# 提取拉格朗日乘子
alphas = np.array(sol['x'])

# 提取支持向量
threshold = 1e-5
sv = alphas > threshold
sv_indices = np.arange(len(alphas))[sv]
sv_alphas = alphas[sv]
sv_X = X[sv]
sv_y = y[sv]

# 计算截距
b = 0
for n in range(len(sv_alphas)):
    b += sv_y[n]
    b -= np.sum(sv_alphas * sv_y * K[sv_indices[n], sv])
b /= len(sv_alphas)

# 计算权重
w = np.zeros(n_features)
for n in range(len(sv_alphas)):
    w += sv_alphas[n] * sv_y[n] * sv_X[n]

print("Weight vector:", w)
print("Intercept:", b)

在此示例中，首先生成一个简单的数据集（共6个样本）。然后定义一个线性核函数和一个优化问题，使用cvxopt库解决。最后，从优化结果中提取拉格朗日乘子，支持向量和权重向量，并计算截距。

需要注意的是，这只是一个简单的示例，不包含任何调整参数的步骤。SVM有许多参数可以调整，以获得更好的性能。例如，可以尝试使用不同的核函数，并调整正则化参数C的值。