要实现“不通过循环，通过循环训练train_test_split中的模型”的解决方法，可以使用交叉验证技术来进行模型训练和评估。

以下是一个示例代码，使用了K折交叉验证来训练和评估模型：

from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.svm import SVC
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target

# 将数据集分割为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建支持向量机分类器
clf = SVC()

# 使用K折交叉验证训练和评估模型
scores = cross_val_score(clf, X_train, y_train, cv=5)

# 输出每次交叉验证的准确率
print("Cross-Validation scores:", scores)

# 计算交叉验证的平均准确率
print("Average Accuracy:", scores.mean())

# 使用训练集进行最终的模型训练
clf.fit(X_train, y_train)

# 使用测试集进行模型评估
test_accuracy = clf.score(X_test, y_test)
print("Test Accuracy:", test_accuracy)

在上述代码中，首先使用train_test_split将数据集分割为训练集和测试集，然后创建了一个支持向量机分类器clf。 接下来，使用cross_val_score进行K折交叉验证，其中cv=5表示使用5折交叉验证。 交叉验证的结果存储在scores变量中，可以输出每次交叉验证的准确率，以及计算交叉验证的平均准确率。

最后，使用训练集进行最终的模型训练，然后使用测试集评估模型的准确率。

通过这种方式，我们可以在不使用循环的情况下，使用交叉验证来训练和评估模型。