要解决“不断训练的验证准确率问题”，可以使用交叉验证（cross-validation）来估计模型的准确率。交叉验证是一种评估模型性能的统计方法，它将数据集分为训练集和验证集，并多次重复训练和验证过程。

以下是一个使用交叉验证来估计模型准确率的示例代码：

from sklearn.model_selection import cross_val_score
from sklearn import svm  # 假设使用支持向量机模型

# 准备数据集和标签
X = [[0, 0], [1, 1]]
y = [0, 1]

# 创建模型
model = svm.SVC()

# 进行交叉验证，评估模型准确率
scores = cross_val_score(model, X, y, cv=5)  # cv表示将数据集分为5个子集进行交叉验证

# 输出每次交叉验证的准确率
print("Cross-validation scores: {}".format(scores))

# 输出平均准确率
print("Average accuracy: {:.2f}".format(scores.mean()))

在上述代码中，我们使用了cross_val_score函数来进行交叉验证。它接收模型对象、数据集和标签，以及cv参数来指定交叉验证的分割数。函数返回一个数组，包含每次交叉验证的准确率。

最后，我们可以输出每次交叉验证的准确率，并计算平均准确率。这样可以更好地评估模型的性能，避免对单次验证结果过于依赖。

需要注意的是，交叉验证需要较大的计算开销，特别是对于大型数据集和复杂的模型。因此，在实际应用中，可能需要根据计算资源和时间限制来选择合适的交叉验证分割数。