你不能真正做到这一点，可能有一些因素将某些“组”数据绑定在一起，但这有很多原因。您的关系可能是非线性的，或者数据“组”可能代表存在更强相关性的主题/对象。除非您知道这些点属于不同的人群，否则您不应该这样做，否则请使用您必须对这些分组进行建模的数据。

对于不可观察组的情况，您可以使用混合模型，在您的情况下是线性回归模型的混合。混合模型识别数据中的潜在（=未观察到的）集群，以便每个集群在模型的后续部分中具有相同的参数。教科书示例是混合高斯，其中每个单独的观察来自正态分布，但每个组的平均值不同。在您的情况下，混合模型将推断出共享回归系数的个体集群，并一步估计每个集群的系数。

有关基本介绍，请参见 Grün, B. 和 Leisch, F. (2008)。广义线性回归模型的有限混合。线性模型和相关领域的最新进展（第 205-230 页）。Physica-Verlag HD (链接)

有限混合模型需要指定潜在组的数量（例如领域知识或交叉验证）。无限混合模型从数据中找到大量组。

这些模型通常不会为您提供关于个体为何属于集群的明确规则，因此不能用于未知个体，但可能会通过先验扩展，该先验基于观察到的数据显式建模集群概率。

选项包括分段回归或决策树回归。这两种算法都能够根据特征值学习预测不同的目标值。