使用python实现支持向量机算法不使用sklearn的代码

使用 Python 实现支持向量机算法不使用 sklearn 的代码如下：

import numpy as np

class SVM:
    def __init__(self, C=1.0):
        self.C = C
        self.w = None
        self.b = None
    
    def fit(self, X, y):
        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] = np.dot(X[i], X[j])
        
        P = np.outer(y, y) * K
        q = -np.ones(n_samples)
        G = np.vstack((np.eye(n_samples)*-1,np.eye(n_samples)))
        h = np.hstack((np.zeros(n_samples), np.ones(n_samples) * self.C))
        A = y.reshape(1, -1)
        b = np.zeros(1)
        alpha = np.array(qp(P, q, G, h, A, b)['x'])
        
        sv = alpha > 1e-5
        ind = np.arange(len(alpha))[sv]
        self.alpha = alpha[sv]
        self.sv = X[sv]
        self.sv_y = y[sv]
        self.b = 0
        for n in range(len(self.alpha)):
            self.b += self.sv_y[n]
            self.b -= np.sum(self.alpha * self.sv_y * K[ind[n],sv])
        self.b /= len(self.alpha)
        
        if n_features > 1:
            self.w = np.zeros(n_features)
            for n in range(len(self.alpha)):
                self.w += self.alpha[n] * self.sv_y[n] * self.sv[n]
        else:
            self.w = None
    
    def predict(self, X):
        if self.w is not None:
            return np.sign(np.dot(X, self.w) + self.b)
        else:
            return np.sign(X[0] + self.b)

这段代码实现了基于线性核的支持向量机，使用了 quadratic programming (QP) 求解对偶问题来求解支持向量机的参数。为了使用这段代码，你需要一个QP求解器，这里用