Traceback (most recent call last): File "D:/pycharm/projects/Pythoneeee/projects/最优化期末老师帮.py", line 40, in <module> prop_mat = np.column_stack((prob_fit / logit_fit, TypeError: unsupported operand type(s) for /: 'GaussianNB' and 'LogisticRegression'

这个错误提示是因为在进行列合并时，prob_fit和logit_fit的类型分别为GaussianNB和LogisticRegression，而这两个类型无法进行除法操作。因此，需要先将它们转换为可以进行除法操作的类型。

在scikit-learn库中，GaussianNB和LogisticRegression模型的系数矩阵可以通过调用相应模型对象的`theta_`和`coef_`属性来获取。因此，可以按照如下方式修改代码：

import numpy as np
from sklearn.naive_bayes import GaussianNB
from sklearn.linear_model import LogisticRegression

# 创建基于概率的模型
prob_model = GaussianNB()
prob_model.fit(X_train, y_train)
prob_fit = prob_model.theta_.reshape((-1, 1))

# 创建基于逻辑回归的模型
logit_model = LogisticRegression()
logit_model.fit(X_train, y_train)
logit_fit = logit_model.coef_.T

# 创建基于线性回归的模型
linear_model = LinearRegression()
linear_model.fit(X_train, y_train)
linear_fit = linear_model.coef_

# 将三个模型的系数矩阵按列合并
prop_mat = np.column_stack((prob_fit / logit_fit, linear_fit))

在这里，`theta_`属性返回GaussianNB模型的每个特征的均值向量，需要将其reshape为列向量。`coef_`属性返回LogisticRegression模型的系数矩阵，需要进行转置后才能合并。最后，将三个模型的系数矩阵按列合并即可。