CV的过程就是通过把数据随机划分，人为区分出训练和测试集，于是可以用来调模型参数。但是既然是通过把数据随机划分得到的，就会想要度量说这种随机性对模型的调选参数有多少影响，这其中有调整fold数量的，也有不断重复CV的整个过程来再次求平均等的。
回到具体的Lasso模型上，从统计性质而言Lasso的估计结果是有偏的，因此Lasso的估计相合性和选择相合性是不可能同时达到的，因为这两者需要的lambda的阶数是相背离的。简而言之选变量准确的lasso，估计的结果会有偏；对那些潜在的真实变量的估计值无偏的lasso，实际选择出来的变量不会仅仅是潜在模型的真实变量。反映到CV的结果上，就是当你采用最小化CV误差的准则时，Lasso相对倾向于多选变量。这个在一些文献里也有体现和报道。
所以在使用CV的过程中到底如何选择最终的参数，除了“CV的平均误差最小”这样一个看起来体现的是泛化能力最好的准则外，也还有一些其他的经验性的准则，比如你代码里使用的“1se”准则，即选取“距离最小的CV平均误差在1倍标准差范围内的最稀疏模型”这样一个准则。对于Lasso正则而言一般这个准则会明显看到相对于最小CV误差而言，1se准则选择的模型泛化能力比较接近（必然是略微差一些），但是模型的变量数少了一些，模型更简洁，更有解释性。
如果你选择用最小CV误差准则（应该对应的是lambda.min？我记不清了）的话，这么些次CV的结果选出来的模型应该会差别更大一些。你选用了1se准则，本身就是一个倾向于考虑稀疏性的准则，那么与y的相关性比较明显的变量才会被纳入进来。即便如此这个结果还是有一定的随机性的，我自己测试的时候第二次的10个CV里就有选择到了两个变量的结果。
最后，对于Lasso而言，整个求解路径可以看作是当lambda从大到小时，变量依次被选择进来纳入了模型。那么后续选择进来的变量，相当于在当前的残差（y无法被当前已经纳入变量所解释的部分）中又提供了不错的解释性。你可以粗粗的看看，是否那个总是率先被选出来的变量，是所有变量里和y的相关性最强的？当然，这里y是个分类变量，但是你哪怕把它就当作数值变量去算算相关性，应该也能看出点东西来。而在你的逻辑回归模型已经包含这个变量的基础上，重新加入新的变量，是否提供的解释性已经很有限了？所以才会在1se准则下基本都是得到只选择第一个变量的结果。
