请给出svm具体的python代码，不适用sklearn

好的，以下是一个简单的SVM代码实现，不使用sklearn：

import numpy as np

def svm_train(X, y, C, learning_rate, epochs):
    """
    SVM训练函数
    
    参数：
    X -- 训练数据
    y -- 训练标签
    C -- 惩罚因子
    learning_rate -- 学习率
    epochs -- 迭代次数
    
    返回：
    w -- 分类超平面的权重向量
    b -- 分类超平面的截距
    """
    
    # 初始化参数
    m, n = X.shape
    alpha = np.zeros(m)
    b = 0
    w = np.zeros(n)
    for epoch in range(epochs):
        for i in range(m):
            # 计算预测值
            f = np.dot(X[i], w) + b
            
            # 计算损失函数
            Ei = f - y[i]
            
            # 更新alpha
            if (y[i]*Ei < -0.001 and alpha[i] < C) or (y[i]*Ei > 0.001 and alpha[i] > 0):
                alpha[i] += learning_rate
            
            # 更新权重向量和截距
            w = np.dot(alpha * y, X)
            b = np.mean(y - np.dot(X, w))
    
    return w, b

def svm_predict(X, w, b):
    """
    SVM预测函数
    
    参数：
    X -- 预测数据
    w -- 分类超平面的权重向量
    b -- 分类超平面的截距
    
    返回：
    y_pred -- 预测结果
    """
    
    f = np.dot(X, w) + b
    y_pred = np.sign(f)
    
    return y_pred

这段代码实现了基本的SVM训练和预测功能。在训练函数中，我们使用了简单的梯度下降算法来更新参数。在预测函数中，我们计算了测试样本的预测值，并根据预测值的符号来输出预测结果。当预测值为正时，预测结果为1；当预测值为负时，预测结果为-1。