根据sklearn 文档，您将默认参数contamination设置为 0.1。

污染：浮动（0.，0.5），可选（默认=0.1）

数据集的污染量，即数据集中异常值的比例。拟合时，它用于定义决策函数的阈值。

无论您使用不同的 运行算法多少次n_neighbours，您的数据集的 10% 都将作为异常值保留。

请记住，在运行 LOF 时，您首先执行的是 k 最近邻算法，该算法取决于n_neighbours参数。然后，您评估点的局部密度（分别与它们最近的邻居），这将返回一个数值。但是，您尚未决定应将哪个阈值视为异常值，而这正是污染参数介入的地方。它允许您根据您指定的污染比例计算阈值。

我建议您将 LOF 的结果可视化，以确定您的污染比例是否相关，或者是否应该调整。