LASSO的loss有两项分别是likelihood和prior。Loss对于$\beta$的gradient也分成两项。来至于likelihood的gradient和问题本身相关，很难比较$grad_{\beta_1}$和$grad_{\beta_2}$的大小。我们只能比较来至于prior的gradient。

$d(|\beta|)/d\beta=sign(\beta)$

也就是说来至于prior的改变量的绝对值是一个常数$C$（$C=\alpha*\lambda$,$\alpha$是learning rate，$\lambda$是拉格朗日乘数，用于平衡likelihood和prior）。假如$C=0.1，\beta_1=10,\beta_2=1$，那么$\beta_1$和$\beta_2$只通过prior能变成0的最少步数分别是100步和10步。

如果是RIDGE，来至于prior的gradient

$d(|\beta|^2)/d\beta=2\beta$

随着$\beta$的减小，改变的速度也会下降。

Ridge回归是等比例衰减

lasso的话要分情况，有一种情况是还直接变为0.