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结合多个模型来提高预测性能的方法。根据集成思想的架构，集成学习主要可以分为以下几种框架：

A: Bagging（Bootstrap Aggregating）：
Bagging通过对数据集进行有放回抽样生成多个子数据集，然后在这些子数据集上分别训练多个模型，最后将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）。常见的Bagging算法有随机森林（Random Forest）。

B: Boosting：
Boosting通过顺序训练多个模型，每个模型在前一个模型的基础上进行改进。每个模型关注的是前一个模型的错误预测部分，从而逐步提高整体模型的性能。常见的Boosting算法有AdaBoost、Gradient Boosting和XGBoost。

C: Stacking：
Stacking通过训练多个基础模型（一级模型），然后将这些基础模型的预测结果作为新的特征，再训练一个元模型（二级模型）来进行最终的预测。Stacking的优点是可以利用不同模型的优势，通常能取得更好的性能。

综上所述，集成学习可以通过Bagging、Boosting和Stacking等框架来实现，因此正确答案是D: 以上全是。