在机器学习的集成方法中，数据抽取的方式对于模型训练有重要影响。让我们逐一分析选项：

A: **袋装法（Bagging）**
- **特征**：在袋装法中，每个基学习器的训练集是从原始训练集中通过有放回的抽样获得的。这意味着每次抽样时，数据可能会被重复选中，但每笔数据被抽中的概率是相等的。

B: **提升法（Boosting）**
- **特征**：提升法在每次迭代时会改变数据被抽取的概率。具体来说，提升法会根据上一轮的预测效果调整样本权重，从而让错分样本在后续轮次中有更高的被抽中的概率。因此，在提升法中，每笔被抽中的概率不见得相等。

C: **随机森林（Random Forest）**
- **特征**：随机森林是袋装法的一种扩展，不仅在样本上进行有放回抽样（Bagging），还在特征上进行随机选择。虽然数据会重复抽取，但如同袋装法，每笔数据被抽中的概率在每轮抽样时是相等的。

D: **以上皆是**
- 从上述分析可知，只有提升法在抽取样本时会导致每笔数据被抽中的概率不均等。因此，“以上皆是”这一选项是不正确的。

综上所述，正确答案是：**B:提升法（Boosting）**。