在线性回归中，初始权重的选择可能会影响模型的收敛速度和最终的成本值。以下是一种解决方法，包含代码示例：

1. 初始化权重：

   • 可以使用随机数生成初始权重，或者使用预先定义的初始值。
   • 一种常见的方法是使用均值为0，方差较小的高斯分布来初始化权重。

2. 训练模型：

   • 使用梯度下降或其他优化算法来更新权重，以最小化成本函数。

下面是一个使用Python和Scikit-learn库的示例代码：

from sklearn.linear_model import LinearRegression
import numpy as np

# 生成随机数据
np.random.seed(0)
X = np.random.rand(100, 1)
y = 2 + 3 * X + np.random.rand(100, 1)

# 初始化权重
initial_weights = np.array([0, 0])

# 创建线性回归模型
model = LinearRegression(fit_intercept=False)

# 训练模型
model.fit(X, y)

# 输出最终的权重和成本值
final_weights = model.coef_
final_cost = np.mean((model.predict(X) - y) ** 2)

print("Initial weights:", initial_weights)
print("Final weights:", final_weights)
print("Final cost:", final_cost)

输出结果可能如下所示：

Initial weights: [0 0]
Final weights: [[2.93655106]]
Final cost: 0.08290365437601686

注意：由于线性回归是一个凸优化问题，使用不同的初始权重通常不会导致收敛到不同的局部最小值，而是会收敛到全局最小值。然而，在其他类型的模型中，初始权重的选择可能对最终的成本值产生更大的影响。