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）是一种集成学习技术，它通过对原始数据集进行有放回的重采样（bootstrap），生成多个新数据集，然后对每个新数据集训练一个模型，最终将这些模型的预测结果进行平均或投票，以提高整体模型的稳定性和准确性。随机森林（Random Forest）是装袋方法的典型代表算法之一。

以下是对选项的具体分析：

A: Adaboost
Adaboost（Adaptive Boosting）是一种提升方法（boosting），它通过迭代地训练多个弱分类器，每次训练时关注上一次分类错误的样本，逐步提高模型的性能。Adaboost不属于装袋方法。

B: GBDT
GBDT（Gradient Boosting Decision Tree，梯度提升决策树）也是一种提升方法，通过逐步构建多个决策树，每一棵新树都在前一棵树的基础上进行改进，以减少误差。GBDT也不属于装袋方法。

C: XGBOOST
XGBOOST（Extreme Gradient Boosting）是GBDT的一个高效实现，具有更好的性能和速度优化。XGBOOST同样属于提升方法，不是装袋方法。

D: 随机森林
随机森林是一种基于装袋方法的集成学习算法。它通过对原始数据集进行有放回的重采样，生成多个子数据集，并在每个子数据集上训练一棵决策树。最终，随机森林通过对这些决策树的预测结果进行平均或投票，得到最终的预测结果。随机森林是装袋方法的典型代表算法。

因此，正确答案是D: 随机森林。