在分析你提出的问题之前，我们先逐个分析选项：

A: **SVM（支持向量机）**的目标是找到一个超平面，该超平面可以最大化训练数据分类间隔。这涉及到结构风险最小化的概念，因为SVM通过优化间隔来防止过拟合，从而不仅依赖于训练误差。

B: **Naive Bayes**是一种简单的贝叶斯分类器，假定特征之间相互独立。这是其独特的假设，也是其被称为“朴素”的原因。这一说法是正确的。

C: **XGBoost（Extreme Gradient Boosting）**确实是一种优秀的集成算法，具有速度快、对异常值不敏感、支持自定义损失函数等优点，这些都是XGBoost的显著特点。

D: **随机森林**使用了行采样（Bagging）和列采样（树的特征选择）来增加模型的随机性和稳健性。这些机制确实可以减轻过拟合的风险，但这并不意味着随机森林就完全不需要剪枝。在某些情况下，剪枝可能仍然有助于提高模型的性能，尽管其重要性在随机森林中相对较低。

综上所述，选项D中关于不需要剪枝的说法容易引起误解，因为不需剪枝只是相对的而非绝对的，因此该选项中的说法并不完全正确。因此正确答案是：

D: 随机森林中列采样的过程保证了随机性，所以就算不剪枝，也不容易出现过拟合。