以下是一个不使用云计算的机器学习应用程序的解决方法，包含了代码示例：

1. 选择适合的机器学习算法：选择一个适合你的问题的机器学习算法，如决策树、支持向量机、逻辑回归等。这些算法通常可以在主流的机器学习库中找到。在这个示例中，我们选择使用决策树算法。

from sklearn import tree

# 定义训练数据集和标签
features = [[140, 1], [130, 1], [150, 0], [170, 0]]  # [重量, 纹理]
labels = [0, 0, 1, 1]  # 0代表苹果，1代表橘子

# 创建一个决策树分类器
clf = tree.DecisionTreeClassifier()

# 训练分类器
clf = clf.fit(features, labels)

2. 收集和准备数据：根据你的问题，收集和准备一个能够用于训练的数据集。确保数据集包含输入特征和对应的标签。

3. 特征工程：根据你的数据集，进行必要的特征工程。这可能包括数据清洗、特征选择、特征变换等。

4. 拟合模型：使用训练数据集拟合机器学习模型。

# 使用训练好的模型进行预测
prediction = clf.predict([[150, 0]])  # 预测输入特征为[150, 0]的水果类型
print(prediction)  # 输出预测结果

5. 评估模型：使用测试数据集评估模型的性能，可以使用各种评估指标如准确率、精确率、召回率等。

6. 调整模型：根据模型评估的结果，对模型进行调整和优化，以提高性能。

7. 部署模型：将训练好的模型部署到生产环境中，以便实时使用。

请注意，这只是一个简单的示例，实际的机器学习应用程序可能需要更复杂的数据处理和模型调整步骤。此外，云计算通常用于大规模的机器学习任务，例如训练深度神经网络，以及分布式计算和存储。但是，对于一些小规模的机器学习应用，可以使用本地计算资源来完成。