已经确定自变量和因变量不存在线性关系，这个时候该怎么选择合适的回归模型，用python实现并举出例子

如果已经确定自变量和因变量不存在线性关系，我们可以选择非线性回归模型来拟合数据。以下是两个常用的非线性回归模型及其Python实现示例：

1. 多项式回归

多项式回归模型可以通过引入多项式特征来拟合非线性关系。在Scikit-Learn库中，我们可以使用`PolynomialFeatures`类来生成多项式特征，然后再使用线性回归模型来拟合数据。

下面是一个使用多项式回归模型拟合数据的代码示例：

from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression

# 生成2阶多项式特征
poly_features = PolynomialFeatures(degree=2, include_bias=False)
X_poly = poly_features.fit_transform(X)
# 使用线性回归模型拟合数据
lin_reg = LinearRegression()
lin_reg.fit(X_poly, y)

其中，`X`和`y`分别表示自变量和因变量。`degree`参数表示多项式的阶数。

2. 决策树回归

决策树回归模型可以通过不断划分数据集来拟合非线性关系。在Scikit-Learn库中，我们可以使用`DecisionTreeRegressor`类来构建决策树回归模型。

下面是一个使用决策树回归模型拟合数据的代码示例：

from sklearn.tree import DecisionTreeRegressor

# 使用决策树回归模型拟合数据
tree_reg = DecisionTreeRegressor(max_depth=2)
tree_reg.fit(X, y)

其中，`max_depth`参数表示决策树的最大深度。

需要注意的是，选择合适的非线性回归模型需要根据具体情况进行选择，不能一概而论。在实际应用中，我们需要根据数据的特点和业务需求来选择合适的模型。