我正在使用Python scikit-learn框架来构建决策树。我目前正在将我的培训数据分成两组，一组用于培训，另一组用于验证（通过K-fold交叉验证实现）。
要交叉验证我的模型，我应该将数据分成两组，如上所述，还是只使用完整的训练集？我的主要目标是防止过度拟合。我在网上看到了有关这两种方法的使用和功效的相互矛盾的答案。
据我所知，当单独的验证集没有足够的数据时，通常会使用K-fold交叉验证。我没有这个限制。直观地说，我认为将K折叠交叉验证与单独的数据集结合使用将进一步减少过度拟合。
我的假设是否正确？有没有更好的方法可以用来验证我的模型？
拆分数据集方法：
x_train, x_test, y_train, y_test = train_test_split(df[features], df["SeriousDlqin2yrs"], test_size=0.2, random_state=13)
dt = DecisionTreeClassifier(min_samples_split=20, random_state=99)
dt.fit(x_train, y_train)
scores = cross_val_score(dt, x_test, y_test, cv=10)
培训数据集方法：
x_train=df[features]
y_train=df["SeriousDlqin2yrs"]
dt = DecisionTreeClassifier(min_samples_split=20, random_state=99)
dt.fit(x_train, y_train)
scores = cross_val_score(dt, x_train, y_train, cv=10)