在機器學習中，非線性模型是非常常見的一種模型類型。在Python中，我們可以通過使用不同的庫來實現非線性模型。以下是我們可以使用的幾種主要的Python庫：

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 
from sklearn.linear_model import LinearRegression 
from sklearn.preprocessing import PolynomialFeatures 
from sklearn.tree import DecisionTreeRegressor 
from sklearn.svm import SVR

接下來，我們將分別介紹這些庫及其非線性模型。

1. Numpy和Pandas

Numpy和Pandas可以被用于數據預處理和數據整理。我們可以通過使用這兩個庫來處理我們的數據集并使其適合于使用其他的非線性模型。

x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.array([4, 5, 6])
df = pd.DataFrame({'x1': x[:, 0], 'x2': x[:, 1], 'x3': x[:, 2], 'y': y})

2. Linear Regression

線性回歸模型是最基本的機器學習模型之一。在它的基礎上演化出其他的非線性模型。我們可以使用Scikit-learn實現線性回歸。

lin_reg = LinearRegression() 
lin_reg.fit(x, y)

3. Polynomial Regression

多項式回歸模型是一種非線性模型。它使用多項式函數將變量映射到更高的維度，以適應更復雜的關系。我們可以使用Scikit-learn實現多項式回歸。

poly_reg = PolynomialFeatures(degree=2) 
x_poly = poly_reg.fit_transform(x) 
lin_reg_2 = LinearRegression() 
lin_reg_2.fit(x_poly, y)

4. Decision Tree Regression

決策樹回歸是一種非參數的回歸方法。它使用樹的形式將數據分割成不同的區域，并為每個區域生成一個特定的預測值。我們可以使用Scikit-learn實現決策樹回歸。

tree_reg = DecisionTreeRegressor(random_state=0) 
tree_reg.fit(x, y)

5. Support Vector Regression

支持向量回歸是一種非線性模型，使用支持向量機的思想來回歸。它使用核函數將數據映射到更高維度的空間，并使用這些數據進行回歸。我們可以使用Scikit-learn實現支持向量回歸。

svr_reg = SVR(kernel='rbf') 
svr_reg.fit(x, y)

總結

在Python中，我們可以使用很多庫來實現非線性模型。針對不同類型的問題，我們可以使用不同的模型來處理。無論哪種模型，我們都需要對數據進行預處理，這樣可以更好地適應模型的需求。