Bagging（Bootstrap Aggregating）是一种集成学习方法，其主要思想是通过将多个基分类器的预测结果结合起来提高整体模型的稳定性和准确性。对于Bagging的有效性，以下条件是必需的：

- **A: 基分类器之间应该是相互独立的**
这并不是严格的必要条件，但独立性可以提高集成模型的效果。Bagging通过对数据进行重采样来训练多个基分类器，期望这些基分类器相互独立，以减少偏差和方差。

- **B: 基分类器要足够多**
这是一个重要条件。足够多的基分类器可以保证集成模型的准确性和稳健性。一般来说，更多的基分类器可以更有效地减少方差，从而提升预测性能。

- **C: 基分类器应当好于随机猜测分类器**
这也是必要的条件。基分类器需要具有一定的预测能力，至少应略优于随机猜测，以便在集成后提升整体性能。

- **D: 不断调整错误样本的权重**
这个选项描述的是Boosting算法（如AdaBoost）的特征，而不是Bagging。Bagging不涉及调整样本权重，而是通过重采样技术生成不同的训练集。

**正确答案**：A, B, C

### 专业分析：

1. **独立性和多样性**：
- 独立性有助于减少不同基分类器之间的预测误差叠加，从而提升集成模型的泛化能力。
- 通过数据重采样，Bagging鼓励多样性，即使基分类器不完全独立，随机性也能带来多样化的模型表现。

2. **基分类器的数量**：
- 更多的基分类器通常能够更有效地降低方差。不过，增加分类器也会提高计算成本，需要在性能和资源之间找到平衡。

3. **基分类器的基本性能**：
- 基分类器需要至少比随机猜测有更高的准确性，这样在集成后才能提升整体性能。如果基分类器性能过于低下，集成效果可能也不理想。

综上所述，Bagging的成功实施依赖于使用数量上足够多且性能良好的基分类器，并且这些分类器通过数据重采样实现多样性。