为何常规交叉验证与调参后的ROC AUC得分差异显著？

我在评估XGBoost分类器时，先将数据集划分为训练集和验证集，使用模型默认参数对训练集执行5折分层交叉验证并计算ROC AUC：

xgbClassCV = XGBClassifier()
kfold = StratifiedKFold(n_splits = 5)
auc = cross_val_score(xgbClassCV, x_train, y_train, scoring = "roc_auc", cv = kfold)
auc_avg = auc.mean()

所得ROC AUC（auc_avg）约为0.76。

随后我使用训练集通过随机交叉验证进行超参数调优：

xgbGrid = {..., ..., ..., ...}
xgbClassHT = XGBClassifier()
kfold = StratifiedKFold(n_splits = 5)
xgbClassRand = RandomizedSearchCV(estimator = xgbClassHT, param_distributions = xgbGrid, n_iter = 60, \
    cv = kfold, n_jobs = -1, verbose = 2)
xgbClassRand.fit(x_train, y_train)

获取最优参数后，用该参数训练XGBoost分类器，在验证集上生成预测并计算ROC AUC：

xgbClassFT = XGBClassifier(..., ..., ..., ...)
xgbClassFT.fit(x_train, y_train)
predictions = xgbClassFT.predict(x_val)
auc = metrics.roc_auc_score(y_val, predictions)

该ROC AUC（auc）约为0.65，比交叉验证结果低11个百分点。但我计算的其他得分（如准确率、精确率、召回率和F1）基本保持一致。

我对逻辑回归重复此过程，同样出现ROC AUC约差11个百分点但其他得分基本一致的情况。

内容的提问来源于stack exchange，提问作者Jaime Andrés Castañeda