Bagging对于样本或者分类器都没有权重这一说法

关于 Bagging (Bootstrap Aggregating) 的选项分析如下：

1. **A: 每轮训练，各个弱分类器重新有放回随机选取训练样本，且训练是随机**
- **正确**。在 Bagging 中，每个弱分类器在训练时都会从训练集以有放回抽样的方式选取子样本集，这意味着每个样本都有可能被多次选中或不被选中，故称“有放回随机选取”。这种方法有助于降低模型的方差，并增强整体模型的稳定性。

2. **B: 在训练中样本的权重保持一致**
- **正确**。在 Bagging 中，由于采用的是有放回的随机抽样方法，所有样本的权重在每次抽样中保持一致。这与另外一种集成学习方法 Boosting 不同，Boosting 会根据前一轮的错误率为样本分配不同的权重。

3. **C: 训练中各弱分类器可以并行训练**
- **正确**。由于 Bagging 中各个弱分类器是相互独立地从不同的子样本集上进行训练，因此可以并行化处理。这种独立性是 Bagging 的一大优势，因为它可以充分利用并行计算资源以加快训练速度。

4. **D: 每个分类器权重一致**
- **正确**。在 Bagging 中，所有弱分类器的权重是相同的。这意味着在进行预测时，每个分类器的投票或预测结果的权重是相等的。Bagging 通过平均或多数投票的方式来综合各个分类器的预测结果。

综合分析，选项 A、B、C 和 D 都是正确的。Bagging 的核心思想就是通过有放回抽样和独立训练多个模型来降低高方差模型的过拟合风险，并能够通过并行训练有效利用计算资源。每个弱分类器的权重一致则是这种集成学习方法简单有效的特点之一。