在训练机器学习模型时，经常会遇到一个问题，即我们需要使用不同的数据集来训练和测试我们的模型，以避免过拟合。以下是解决这个问题的步骤：

1. 分割数据集 首先，我们需要将原始数据集划分为训练集和测试集。在 Python 中，我们可以使用 scikit-learn 库中的 train_test_split() 函数来完成此操作。

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

这个函数将随机划分数据集，其中 test_size 参数定义测试集在数据集中所占的比例（在这种情况下，它为 0.2），而 random_state 参数是一个用于随机数生成的种子值。

2. 训练模型 接下来，我们可以使用训练数据集 X_train 和 y_train 来训练我们的模型，如下所示：

model.fit(X_train, y_train)

3. 测试模型 现在，我们可以使用测试数据集 X_test 和 y_test 来测试模型的性能，如下所示：

print(model.score(X_test, y_test))

这将输出测试数据集上的模型准确度得分。

这就是使用不同训练和测试数据集来训练和测试机器学习模型的基本步骤。