以下是一个使用机器学习算法（不使用神经网络）和预训练词向量进行文本分类的示例代码：

import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import LinearSVC
from sklearn.metrics import accuracy_score

# 定义训练数据
train_texts = ["I love this movie", "This movie is great", "I don't like this movie"]
train_labels = [1, 1, 0]

# 定义测试数据
test_texts = ["I enjoy watching movies", "This movie is terrible"]

# 创建TF-IDF向量化器
vectorizer = TfidfVectorizer()

# 将训练文本转换为TF-IDF特征向量
train_features = vectorizer.fit_transform(train_texts)

# 将测试文本转换为TF-IDF特征向量
test_features = vectorizer.transform(test_texts)

# 创建支持向量机分类器
classifier = LinearSVC()

# 在训练数据上训练分类器
classifier.fit(train_features, train_labels)

# 对测试数据进行分类预测
predictions = classifier.predict(test_features)

# 打印预测结果
for text, label in zip(test_texts, predictions):
    print(f"Text: {text}  Label: {'Positive' if label == 1 else 'Negative'}")

在这个示例中，我们使用了sklearn库中的TfidfVectorizer来将文本数据转换为TF-IDF特征向量。然后，我们使用线性支持向量机（LinearSVC）作为分类器进行训练和预测。预测结果会打印出来，标记为正面或负面。

请注意，这个示例中并没有使用预训练的词向量模型，而是使用TF-IDF特征向量表示文本。这种方法在一些简单的文本分类任务上可能会有不错的效果，但对于更复杂的任务，使用预训练的词向量（例如Word2Vec、GloVe等）可能会更好。