如果您想测试“显着性”，那么我建议您使用渐近惩罚选项，即penalty='Asymptotic'95 pen.value=0.05% 的置信度。这会根据您使用的成本函数自动设置惩罚。我发现这适用于小于 1000 但不是太小 <100 的较小数据集。

如果您想使用手动惩罚选项，那么最简单的规则是较低的惩罚值会导致识别出更多的变化点。由用户决定什么值是合适的。就个人而言，我使用“肘”图来决定这一点。肘部图是通过改变惩罚值并绘制所识别的变化点数量与所使用的惩罚来构建的。这将显示快速下降（消除由噪声引起的变化点），并且这将减慢直到它变为 0 变化。您想选择在快速下降之后但不要过多的惩罚，因为您将开始失去“真正的”变化点。

对图表的状况表示歉意，但我必须将其从 PDF 转换为 jpeg 才能在此处上传。

本教程由包的原始作者制作（并花一些时间玩弄 doc 的参数cpt.mean并查看文档）帮助我理解了函数的行为方式。

http://members.cbio.mines-paristech.fr/~thocking/change-tutorial/RK-CptWorkshop.html

更多教程在这里：https ://github.com/tdhoc/change-tutorial

我希望这有帮助。