在机器学习中，提高分类准确率的常用方法包括聚集多个分类器进行组合的技术。对于你提供的选项，我们来逐一分析：

A: **袋装法（Bagging）**
B: **提升法（Boosting）**
D: **随机森林（Random Forest）**

这三个选项都是通过聚集多个分类器的组合来提高分类准确率的技术。

- **袋装法（Bagging）**：
Bagging是Bootstrap Aggregating的缩写，它通过生成多个数据集的随机子集来训练多个模型，然后平均或投票多个模型的输出以提高准确性。例如，随机森林就是使用Bagging技术的著名算法。

- **提升法（Boosting）**：
Boosting逐步训练多个弱分类器，每个分类器尝试纠正其前一个分类器的错误。最终的预测结果是通过加权投票或加权和的方式组合所有弱分类器的结果。AdaBoost 和 Gradient Boosting 是典型的Boosting算法。

- **随机森林（Random Forest）**：
随机森林是Bagging方法的一个拓展。它不仅是对数据集进行重采样，还对特征进行随机选择。随机森林通过创建大量决策树进行训练，并通过多数投票的方式决定最终分类结果。

C: **支持向量机（Support Vector Machine）**
SVM是一种监督学习方法，主要用于分类问题，但它不属于通过聚集多个分类器来提高准确率的技术。SVM利用的是最大化分类边界的概念，通过找到一个最佳的超平面来将不同类别的数据分开。

因此，正确答案是 **A: 袋装法（Bagging）**、**B: 提升法（Boosting）**、和 **D: 随机森林（Random Forest）**。