看看“统计学习简介”（第 6.2.2 章）。Lasso 在原来的 OLS 惩罚上增加了一个额外的惩罚项。除了残差平方和（RSS，在 OLS 中最小化）之外，还有一个附加项，即收缩惩罚。基本上，对“良好拟合”贡献不大的系数会缩小。其实有一套$\beta_j$对于每个$\lambda$（调整参数）。

不知道您的数据，我只能猜测您的许多高度相关的特征对模型中的“良好拟合”“贡献不大”。这可能是多重共线性的结果。然而，Lasso 本身并没有“收缩”具有高相关性的特征。它宁愿寻找系数的子集$\beta$这会产生“良好的配合”。

您可以检查多重共线性是否是数据中的一个严重问题，例如通过查看方差膨胀因子 (VIF)并删除具有（非常）高相关性的可能特征。