在机器学习和数据科学中，准确率（accuracy）、精确率（precision）、召回率（recall）和 F1 分数是常用的性能指标，用于评估分类模型的性能。

1. 准确率（Accuracy）：

准确率是模型预测正确的样本数占总样本数的比例。

from sklearn.metrics import accuracy_score  
y_true = [0, 1, 1, 0, 1, 1]  
y_pred = [0, 1, 0, 0, 0, 1]  
accuracy = accuracy_score(y_true, y_pred)  
print(f"Accuracy: {accuracy}")

2. 精确率（Precision）：

精确率是指在预测为正的样本中，实际为正的比例。它关注的是预测为正的样本中真正为正的比例。

from sklearn.metrics import precision_score  
precision = precision_score(y_true, y_pred)  
print(f"Precision: {precision}")

3. 召回率（Recall）：

召回率是指在所有实际为正的样本中，被预测为正的比例。它关注的是实际为正的样本中被正确预测为正的比例。

from sklearn.metrics import recall_score  
recall = recall_score(y_true, y_pred)  
print(f"Recall: {recall}")

4. F1 分数：

F1 分数是精确率和召回率的调和平均数，它综合了精确率和召回率的信息。

from sklearn.metrics import f1_score  
f1 = f1_score(y_true, y_pred)  
print(f"F1 Score: {f1}")