加上alphas = np.logspace(-4, 0, 100)这句代码，Lasso算法后的MSE很大，最优参数过小，不加上这段代码，Lasso算法后的MSE比较小，最优参数较小，这是为什么

Lasso算法中的正则化参数alpha控制着模型的复杂度，当alpha较小时，模型的复杂度较高，容易出现过拟合；当alpha较大时，模型的复杂度较低，容易出现欠拟合。因此，在使用Lasso算法时，需要通过交叉验证等方法来选择最优的正则化参数alpha。 在你的情况下，加上alphas = np.logspace(-4, 0, 100)这句代码后，正则化参数alpha的取值范围变得更广，包含了更小的值，因此模型的复杂度也相应地增加了。如果最优参数过小，说明模型过于复杂，可能存在过拟合的情况，导致MSE较大。反之，如果不加上这段代码，正则化参数alpha的取值范围较窄，模型的复杂度较低，可能存在欠拟合的情况，导致MSE较小但最优参数较小。 因此，在使用Lasso算法时，需要根据具体问题选择合适的正则化参数范围，并通过交叉验证等方法来选择最优的正则化参数，以获得更好的模型性能。