正确答案是：B: 提升法（Boosting）。

### 分析：

- **袋装法（Bagging）**：
- **特点**：通过有放回的随机抽样方法从原始训练集生成多个子集，每个子集的大小与原始训练集相同。每个样本在每次抽样时被选中的概率相等。
- **示例**：随机森林就是袋装法的一个扩展应用。

- **提升法（Boosting）**：
- **特点**：在每一轮训练时，提升方法并不简单随机抽样，而是根据前一轮的模型表现来调整样本的权重。表现不佳的样本会被赋予更高的权重，因此在后续的模型训练中更有可能被选中。
- **影响**：这导致每个样本被选中的概率可能不相等，因为样本的权重会随着迭代改变。

- **随机森林（Random Forest）**：
- **特点**：是袋装法的一种改进，主要区别在于每棵决策树在训练时，不仅对数据进行有放回的抽样，还随机选择特征集的一个子集来寻找最佳分割。
- **相似性**：与袋装法类似，每个样本被选中的概率相等。

### 结论：
提升法（Boosting）中，由于样本权重在每轮训练后会调整，使得每个样本被选中的概率不一定相等，因此答案是B: 提升法（Boosting）。