就完整性和泛化性而言，K 折交叉验证可能是首选：您确保系统已经看到完整的数据集进行训练。然而，在深度学习中，由于时间和功率限制，这通常是不可行的。它们都可以使用，没有一个比另一个更好。这实际上取决于具体情况、数据集的大小以及可用的时间和硬件。请注意，过度拟合可以（部分）通过诸如 dropout 之类的东西来补救。

公平地说：与你的同事讨论这个问题很好，但通常没有一个正确的答案。如果你真的想要证据，你可以测试它并比较它们。但在性能方面（即模型的预测能力），差异会很小。

纯粹就过度拟合而言，假设你训练两者的时间相等，70/30 可能更好，但性能不会很好。不训练 %30 的数据会使训练和测试结果同样糟糕（在我看来）。但它不会过拟合，这是肯定的。交叉验证（我假设您想到的是 90/10）将需要很长时间，因此没有足够的时间进行训练，并且与 70/30 相比，它可能会过度拟合，但它会看到所有一次训练 %90 个样本，很有可能它会训练得更好。因此，在一天结束时，它会过度拟合更多但性能更好。

如果您要问整体、性能和过拟合哪个更好，我说这取决于您的数据集的大小。如果您有数百万个样本，您甚至可以使用 98/1/1 进行训练、测试和验证，并且仍然可以。

编辑：多考虑一下，即使时间不是问题，情况也大致相同。但是通过交叉验证，您将更确定地了解模型在新数据上的性能。

如果使用得当，这两种方法都很好。根据经验，当训练时间不是问题时，如果您的数据多于模型中可以使用的数据，则使用拆分方法，如果没有，则使用交叉验证。我建议通过其他方式处理过度拟合。