使用NLTK進行模型的泛化能力評估通常需要使用交叉驗證技術。交叉驗證是一種將數據集劃分為訓練集和測試集的方法，可以反復使用數據集的不同子集進行訓練和測試，最終計算模型的平均性能。

在NLTK中，可以使用cross_validation模塊來實現交叉驗證。下面是一個簡單的例子，演示如何使用NLTK的交叉驗證來評估模型的泛化能力：

from nltk.classify import NaiveBayesClassifier
from nltk.classify.util import accuracy
from nltk.corpus import movie_reviews
from nltk import FreqDist
from random import shuffle

# 獲取影評數據集
documents = [(list(movie_reviews.words(fileid)), category)
             for category in movie_reviews.categories()
             for fileid in movie_reviews.fileids(category)]

# 隨機打亂數據集
shuffle(documents)

# 提取特征
all_words = FreqDist(word.lower() for word in movie_reviews.words())
word_features = list(all_words)[:2000]

# 定義特征提取函數
def document_features(document):
    document_words = set(document)
    features = {}
    for word in word_features:
        features['contains({})'.format(word)] = (word in document_words)
    return features

# 構建特征集
featuresets = [(document_features(doc), category) for (doc, category) in documents]

# 進行交叉驗證
num_folds = 5
subset_size = len(featuresets) // num_folds
accuracy_scores = []
for i in range(num_folds):
    test_set = featuresets[i*subset_size:][:subset_size]
    train_set = featuresets[:i*subset_size] + featuresets[(i+1)*subset_size:]
    classifier = NaiveBayesClassifier.train(train_set)
    accuracy_scores.append(accuracy(classifier, test_set))

# 輸出平均準確率
print('Average accuracy:', sum(accuracy_scores) / num_folds)

在上述代碼中，我們使用了樸素貝葉斯分類器來對電影評論數據集進行情感分析。通過交叉驗證，我們計算了模型在不同子集上的準確率，并最終輸出了平均準確率作為模型的泛化能力評估結果。您可以根據您的具體任務和數據集來調整特征提取函數和分類器，以評估您的模型的泛化能力。