线性模型和非线性模型的主要区别在于它们对输入特征之间关系的建模方式不同。

　　线性模型的特征之间是线性相关的，模型的输出是输入特征的线性组合。通常用一个超平面来分割不同类别的数据。它在特征与目标变量之间建立了简单的线性关系，对于线性可分的数据集有较好的表现。常见的线性模型包括线性回归、逻辑回归、Lasso回归等。

　　非线性模型则是建模输入特征之间更为复杂的非线性关系，其中一个常用的手段是通过增加交互项来拟合更为复杂的关系，如多项式回归和高斯过程回归。另外，也可以借助非线性函数来影响模型的输出，如sigmoid函数、tanh函数等。非线性模型可以更好地拟合非线性可分的数据集，如图像和语音识别等任务，但是相应地也更为复杂、计算量更大。

　　总之，线性模型和非线性模型在特征与目标变量之间的建模方式上存在巨大差异，需要根据具体的任务需求和数据特征选择合适的模型。