为局部离群因子（LOF）检测分析选择k值

我有一组三维数据，并且尝试使用局部离群值因子分析来识别最独特或最奇怪的值。如何确定LOF分析中使用的k值？我知道k值决定了什么，因此使用不同的k会看到略有不同的结果，对此我并不感到惊讶，但是我不确定我的数据集是否存在应该将我推向另一个值的特征。 。谢谢！

将其发布给以后遇到我问题的任何人-描述局部离群值因子算法的原始论文“ LOF：识别基于密度的局部离群值”（Breunig等人）建议了一种选择k值的方法。提醒一下，LOF算法会将每个点的密度与其点的密度进行比较。$k$-最近的邻居。该论文的作者建议选择一个最小值$k$ 和最大 $k$，对于每个点，取每个点的最大LOF值 $k$在那个范围内。他们提供了一些选择边界的准则。

对于最小值，LOF值以均匀分布的形式波动点。 $k<10$，均匀分布的点有时会显示为离群值，因此他们建议至少 $min(k)=10$。其次，最低$k$-value是被视为“群集”的对象的最小大小，因此，相对于该群集，点可以是离群值。如果$k=15$，并且您有一组 $12$ 点和一点 $p$，组中的每个点将包括 $p$ 在其最近的邻居中，以及 $p$将包括这些点，使它们具有非常相似的LOF。因此，如果您要考虑一组附近的点$N$ 点作为离群值，而不是该组的一部分，则您的k值至少应为 $N$。

对于最大值，适用类似的条件，因为它应该是群集在一起时要视为离群值的最大对象数。一群$N$ 与主集合隔离的对象可以是集群，也可以是 $N$离群值 对于$k<N$，他们将是第一个；对于$k>N$，他们将成为第二。

希望这可以帮助任何有类似问题的人。全文在这里，关于最大/最小k值的讨论从第7页开始，直到第9页。（它们指的是$k$-value作为MinPts。）