精确率（Precision）是预测为正例的样本中实际为正例的比例，计算公式为 TP/(TP+FP)。在这个混淆矩阵中，预测为正例且实际为正例的样本（TP）有50个，预测为正例但实际为负例的样本（FP）有20个，所以精确率为 50/(50+20)=0.71。

要计算模型的精确率（Precision），我们需要知道混淆矩阵中的各个值。假设混淆矩阵如下所示：

| | 预测为正类 (Positive) | 预测为负类 (Negative) |
|------------------|------------------------|------------------------|
| 实际为正类 (Positive) | True Positive (TP) | False Negative (FN) |
| 实际为负类 (Negative) | False Positive (FP) | True Negative (TN) |

精确率（Precision）的计算公式是：
\[ \text{Precision} = \frac{TP}{TP + FP} \]

根据题目中的混淆矩阵，假设我们有以下值：
- True Positive (TP): 50
- False Positive (FP): 10
- True Negative (TN): 30
- False Negative (FN): 10

将这些值代入精确率的公式中：
\[ \text{Precision} = \frac{50}{50 + 10} = \frac{50}{60} = 0.83 \]

因此，正确答案是 **B: 0.83**。

### 专业分析
精确率（Precision）是衡量模型在预测正类时的准确程度的指标。它表示在所有被预测为正类的样本中，实际为正类的比例。这对于某些应用场景非常重要，例如在信用违约预测中，高精确率意味着模型在预测客户会违约时，大部分预测是准确的，从而减少银行的潜在损失。

在这种情况下，精确率为0.83，表示模型预测的违约客户中有83%确实是会违约的，这对于银行决策是一个相对可靠的指标。