召回率（也叫查全率）（Recall）: 真正的正样本中有多少预测正确（即被预测 为正样本）。根据定义，本题选C。

召回率（Recall），又称为灵敏度（Sensitivity）或真阳性率（True Positive Rate, TPR），是衡量分类器在所有实际为正样本中正确识别出正样本的比例。根据混淆矩阵，召回率的计算公式如下：

\[ \text{召回率} = \frac{A}{A + C} \]

其中：
- \(A\) 是真正例（True Positives, TP），即被正确分类为正类的样本数。
- \(C\) 是假负例（False Negatives, FN），即被错误分类为负类的正样本数。

因此，召回率反映了模型对正类样本的识别能力。

根据题目提供的选项，正确答案是：

A: \( \frac{A}{A + C} \)

### 专业分析：
- **召回率（Recall）**：它衡量的是模型对正类样本的敏感度。高召回率意味着模型能够识别出大部分的正类样本，但不一定能保证负类样本的识别准确性。
- **混淆矩阵**：通过混淆矩阵可以直观地看到模型的分类效果，包括真正例（TP）、假正例（FP）、假负例（FN）和真负例（TN）。
- **其他指标**：
- **准确率（Accuracy）**：衡量模型总体的分类准确性。
- **精确率（Precision）**：衡量模型预测为正类的样本中实际为正类的比例，公式为 \( \frac{A}{A + B} \)。
- **F1分数**：综合考虑精确率和召回率的调和平均数，用于平衡两者之间的关系。

通过这些指标，我们可以全面评估模型的分类性能，进而做出改进和优化。