Adaboost、GBDT、XGBOOST都是基于boosting的集成学习，随机森林是基于bagging的集成学习

正确答案是：D: 随机森林。

专业分析：

装袋方法（Bagging，全称Bootstrap Aggregating）是一种通过在原始数据集上进行有放回的重采样来生成多个新数据集的技术。这些新数据集用于训练多个模型，然后通过集成这些模型的预测结果来提高整体的预测性能和稳定性。随机森林（Random Forest）是装袋方法的一个典型应用，它通过生成多个决策树并将它们的预测结果进行平均或投票来进行最终预测。

其他选项的分析：
A: Adaboost - 这是另一种集成学习方法，属于提升方法（Boosting），它通过逐步调整样本权重来提高模型的性能，与装袋方法不同。
B: GBDT（Gradient Boosting Decision Tree） - 这是梯度提升决策树，它也是一种提升方法，通过逐步构建多个弱学习器并优化损失函数来提高模型性能。
C: XGBOOST - 这是梯度提升决策树的一个高效实现，属于提升方法的一种变体。

因此，只有随机森林（Random Forest）是基于装袋方法的算法。