解决这个问题的方法是使用交叉验证来评估模型的泛化能力。交叉验证是一种将数据集划分为训练集和验证集，并多次重复进行训练和验证的过程。

以下是一个使用交叉验证评估模型的示例代码：

from sklearn.model_selection import cross_val_score
from sklearn import svm

# 假设有两个不同的模型 Model1 和 Model2

# 创建模型1
model1 = svm.SVC(kernel='linear')

# 创建模型2
model2 = svm.SVC(kernel='rbf')

# 假设有一个特征矩阵 X 和对应的标签向量 y

# 使用交叉验证评估模型1的准确率
cv_scores_model1 = cross_val_score(model1, X, y, cv=5)  # 假设使用 5 折交叉验证

# 使用交叉验证评估模型2的准确率
cv_scores_model2 = cross_val_score(model2, X, y, cv=5)  # 假设使用 5 折交叉验证

# 打印模型1和模型2的交叉验证准确率
print("Model 1 CV Accuracy: %0.2f (+/- %0.2f)" % (cv_scores_model1.mean(), cv_scores_model1.std() * 2))
print("Model 2 CV Accuracy: %0.2f (+/- %0.2f)" % (cv_scores_model2.mean(), cv_scores_model2.std() * 2))

这段代码中，我们使用了 cross_val_score 函数来进行交叉验证。它接受一个模型，特征矩阵 X 和对应的标签向量 y，以及 cv 参数来指定交叉验证的折数。该函数返回一个包含每次交叉验证的准确率的数组。

最后，我们打印出模型1和模型2的交叉验证准确率。如果模型的训练准确率相同，那么它们的交叉验证准确率也应该相同。