正确答案是：A: 袋装法（Bagging）

### 专业分析：

1. **袋装法（Bagging）**：
- Bagging是Bootstrap Aggregating的简称，是一种并行集成学习方法。
- 它通过有放回的方式从训练数据集中抽取样本来训练多个基模型。由于是有放回抽样，同一个样本可能会在不同的数据子集中出现。
- 每个基模型独立训练，最后的结果通过平均（回归问题）或投票（分类问题）得到。

2. **随机森林（Random Forest）**：
- 随机森林是Bagging的一个拓展应用，主要用于决策树分类器。
- 它也采用了有放回的抽样方法来生成每个决策树的训练集，因此本质上是使用了Bagging方法。
- 在训练每棵树的过程中，还会随机选择特征进行分裂，增加模型的多样性。

3. **提升法（Boosting）**：
- Boosting是一种串行集成学习方法，通过逐步调整前一阶段模型的错误来训练下一个模型。
- 每一轮，根据前一轮模型的表现来调整样本的权重，使得模型更多关注之前错误分类的样本。
- 它没有使用有放回抽样，而是在调整样本权重的基础上重训练模型。

### 结论
- **袋装法（Bagging）和随机森林**都涉及到重复抽取样本的过程，且每笔被抽中的概率在每次抽样时保持一致（1/N，N为样本总数），因为它们使用了有放回的抽样机制。
- **提升法（Boosting）**则不使用有放回抽样，而是通过权重调整来影响样本的选择。

因此，根据题意，正确答案是A: 袋装法（Bagging）。