ROC曲线（Receiver Operating Characteristic Curve）是评估分类模型性能的工具，其横轴是假阳性率（False Positive Rate, FPR），纵轴是真阳性率（True Positive Rate, TPR）。

混淆矩阵的形式通常如下：
```
实际正类 (Positive) 实际负类 (Negative)
预测正类 (Positive) A B
预测负类 (Negative) C D
```

在这种情况下：
- A 表示真正例（True Positive, TP）
- B 表示假正例（False Positive, FP）
- C 表示假负例（False Negative, FN）
- D 表示真负例（True Negative, TN）

ROC曲线的y轴是真阳性率（TPR），其计算公式为：
\[ \text{TPR} = \frac{TP}{TP + FN} \]

根据混淆矩阵的符号表示：
\[ \text{TPR} = \frac{A}{A + C} \]

因此，正确答案是 D: \( \frac{A}{A + C} \)。

**专业分析**：
- 真阳性率（TPR）也称为召回率（Recall）或灵敏度（Sensitivity），它表示在所有实际为正类的样本中，被正确预测为正类的比例。
- TPR 越高，说明模型在识别正类样本方面越有效。
- 在ROC曲线中，TPR作为纵轴，反映了模型在不同阈值下的性能变化。通过观察ROC曲线，可以评估模型在不同假阳性率下的分类效果。