集成学习从集成思想的架构可以分为Bagging,Boosting,Stacking。

正确答案是：D: 以上全是。

集成学习是一种通过构建和结合多个模型来提高预测性能的技术。以下是对这几种框架的专业分析：

A: **Bagging（Bootstrap Aggregating）**
- **原理**：Bagging通过在原始数据集上进行有放回的随机抽样，生成多个不同的子数据集，并在这些子数据集上训练多个模型。最终的预测结果通过对这些模型的预测结果进行平均（对于回归问题）或投票（对于分类问题）得到。
- **优点**：Bagging可以有效减少模型的方差，从而提高模型的稳定性和准确性。典型的Bagging算法包括随机森林（Random Forest）。

B: **Boosting**
- **原理**：Boosting通过逐步训练多个模型，每个模型都试图纠正前一个模型的错误。具体来说，每个新模型都在前一个模型错误最多的数据点上进行重点训练。最终的预测结果是这些模型的加权和。
- **优点**：Boosting能显著提高模型的准确性，特别是在处理复杂数据集时。典型的Boosting算法包括AdaBoost、Gradient Boosting和XGBoost。

C: **Stacking（Stacked Generalization）**
- **原理**：Stacking通过训练多个基础模型（第一层模型）并将它们的预测结果作为新的特征，再使用这些特征训练一个新的模型（第二层模型），通常称为元学习器（meta-learner）。
- **优点**：Stacking可以捕捉不同模型之间的关系，从而进一步提高预测性能。它的灵活性较高，可以使用不同类型的基础模型和元学习器。

综上所述，以上三种方法（Bagging、Boosting和Stacking）都是集成学习的重要框架，它们通过不同的方式提高模型的性能和稳定性。因此，正确答案是D: 以上全是。