在分析這道多選題之前，我們先逐一分析各個(gè)選項(xiàng)的正確性。

### A: SVM對(duì)噪聲（如來(lái)自其他分布的噪聲樣本）具備魯棒性
- **分析**：支持向量機(jī)（SVM）的目標(biāo)是找到一個(gè)最優(yōu)的超平面來(lái)最大化類間的間隔。雖然SVM在一定程度上對(duì)噪聲具有魯棒性，特別是在使用軟間隔和合適的核函數(shù)時(shí)，它并不是對(duì)所有類型的噪聲都具備魯棒性。對(duì)于一些極端噪聲，SVM仍然可能受到影響。
- **結(jié)論**：此選項(xiàng)不完全正確。

### B: 在adaboost算法中，所有被分錯(cuò)樣本的權(quán)重更新比例相同
- **分析**：在Adaboost算法中，分錯(cuò)的樣本的權(quán)重會(huì)增加，分對(duì)的樣本的權(quán)重會(huì)減小。但權(quán)重更新的比例是根據(jù)誤分類率計(jì)算的，因此被分錯(cuò)樣本的權(quán)重更新比例并不相同，取決于誤分類率。
- **結(jié)論**：此選項(xiàng)錯(cuò)誤。

### C: boosting和bagging都是組合多個(gè)分類器投票的方法，二者都是根據(jù)單個(gè)分類器的正確率確定其權(quán)重
- **分析**：
- **Bagging**：通過(guò)對(duì)數(shù)據(jù)集進(jìn)行自助采樣（bootstrap sampling），訓(xùn)練多個(gè)分類器，并通過(guò)簡(jiǎn)單投票或平均方式結(jié)合結(jié)果。各個(gè)分類器平等對(duì)待，沒(méi)有權(quán)重區(qū)別。
- **Boosting**：通過(guò)逐步訓(xùn)練弱分類器序列，每個(gè)分類器根據(jù)前一序列的錯(cuò)誤率來(lái)調(diào)整樣本權(quán)重，從而影響最終的投票。
- **結(jié)論**：此選項(xiàng)描述不準(zhǔn)確。Bagging與Boosting的確都是組合分類器的方法，但并非都是基于單個(gè)分類器的正確率確定權(quán)重。

### D: 給定n個(gè)數(shù)據(jù)點(diǎn)，如果其中一半用于訓(xùn)練，一半用于測(cè)試，則訓(xùn)練誤差和測(cè)試誤差之間的差別會(huì)隨著n的增加而減少
- **分析**：在樣本數(shù)量n增加的情況下，即使固定比例用于訓(xùn)練和測(cè)試，模型一般能更好地學(xué)習(xí)到數(shù)據(jù)的特征，從而訓(xùn)練誤差和測(cè)試誤差的差異減小。這是統(tǒng)計(jì)學(xué)習(xí)中的一個(gè)常見(jiàn)結(jié)論，因?yàn)楦蟮臉颖玖磕軌蛱峁└浞值男畔⒁蕴嵘Ｐ偷姆夯芰Α?br /> - **結(jié)論**：此選項(xiàng)正確。

### 正確答案
綜上分析，只有 **D** 是正確的。