支持向量机（是一类按监督学习方式对数据进行二元分类的广义线性分类器）

正确答案是：A: 袋装法（Bagging），B: 提升法（Boosting），D: 随机森林（Random Forest）。

专业分析如下：

1. **袋装法（Bagging）**：
袋装法（Bagging）是Bootstrap Aggregating的简称，是一种并行集成方法。它通过在训练集中进行有放回的随机抽样，生成多个子训练集，然后在这些子训练集上分别训练多个分类器，最后通过对这些分类器的预测结果进行平均或投票来得到最终的预测结果。Bagging的主要目的是减少模型的方差，从而提高分类准确率。

2. **提升法（Boosting）**：
提升法（Boosting）是一种序列化的集成方法。它通过逐步训练多个分类器，每个分类器都试图纠正其前一个分类器的错误。常见的Boosting算法包括AdaBoost和Gradient Boosting。Boosting的主要目的是减少模型的偏差，从而提高分类准确率。

3. **支持向量机（Support Vector Machine）**：
支持向量机（SVM）是一种单一的分类算法，不属于集成方法。SVM通过在高维空间中寻找一个最佳的超平面来分离不同类别的数据点。虽然SVM可以通过核技巧处理非线性问题，但它并不涉及多个分类器的组合，因此不属于通过聚集多个分类器来提高分类准确率的技术。

4. **随机森林（Random Forest）**：
随机森林（Random Forest）是一种基于Bagging的集成方法。它通过生成多个决策树并让每棵树独立地进行训练，然后通过对这些树的预测结果进行平均或投票来得到最终的预测结果。随机森林不仅利用了Bagging的优势，还通过在每个节点随机选择特征来训练决策树，从而进一步减少了模型的方差，提高了分类准确率。

综上所述，A: 袋装法（Bagging），B: 提升法（Boosting），D: 随机森林（Random Forest）都是通过聚集多个分类器的组合来提高分类准确率的技术，而C: 支持向量机（Support Vector Machine）则不是。