正确答案是：C: 均方误差。

### 专业分析：

线性回归是一种用于数值预测的机器学习算法，其目标是描述自变量与因变量之间的线性关系。评估线性回归模型的好坏，通常使用回归任务的专用指标，而不是分类任务的指标。下面对各选项进行分析：

- **A: 准确率**
准确率（Accuracy）是用于分类任务的评估指标，表示模型预测正确的样本数占总样本数的比例。对于线性回归来说，准确率并不是合适的评估指标。

- **B: 召回率**
召回率（Recall）同样是用于分类问题的指标，尤其在不平衡数据集的情况下较为重要。它表示在所有实际为正的样本中，被正确预测为正的比例。在线性回归中不使用召回率。

- **C: 均方误差（Mean Squared Error, MSE）**
均方误差是回归问题中常用的评估指标，通过计算预测值与真实值之差的平方的平均值来衡量模型的性能。MSE越小，表示模型的预测结果与实际结果越接近，是评估线性回归模型好坏的常用指标。

- **D: 混淆矩阵**
混淆矩阵是用于评估分类模型性能的工具，它列出了预测和真实标记的分类情况。在线性回归问题中不使用混淆矩阵。

因此，对于线性回归模型，均方误差是适用的评估指标。