在数据分析的世界里，三大关键指标是衡量数据质量和分析效果的重要工具。掌握这些指标，不仅能够帮助你更好地理解数据，还能让你的分析工作更加高效。下面，我将详细介绍这三大关键指标，并提供相应的源码示例，帮助你轻松提升数据分析能力。
一、指标一：准确率（Accuracy）
准确率是衡量模型预测结果好坏的最基本指标。它表示模型正确预测的样本数占总样本数的比例。
准确率计算公式
[ \text{准确率} = \frac{\text{正确预测的样本数}}{\text{总样本数}} ]
源码示例（Python）
def calculate_accuracy(y_true, y_pred):
correct = sum([y_true[i] == y_pred[i] for i in range(len(y_true))])
return correct / len(y_true)
# 假设y_true和y_pred是两个列表，分别代表真实标签和预测标签
y_true = [0, 1, 1, 0, 1, 0, 1, 0, 0, 1]
y_pred = [0, 1, 1, 0, 1, 0, 1, 0, 0, 1]
accuracy = calculate_accuracy(y_true, y_pred)
print("准确率：", accuracy)
二、指标二：召回率（Recall）
召回率是指模型正确预测的样本数占所有实际正样本数的比例。它关注的是模型对正样本的识别能力。
召回率计算公式
[ \text{召回率} = \frac{\text{正确预测的正样本数}}{\text{实际正样本数}} ]
源码示例（Python）
def calculate_recall(y_true, y_pred):
true_positives = sum([y_true[i] == y_pred[i] and y_true[i] == 1 for i in range(len(y_true))])
actual_positives = sum([y_true[i] == 1 for i in range(len(y_true))])
return true_positives / actual_positives
# 假设y_true和y_pred是两个列表，分别代表真实标签和预测标签
y_true = [0, 1, 1, 0, 1, 0, 1, 0, 0, 1]
y_pred = [0, 1, 1, 0, 1, 0, 1, 0, 0, 1]
recall = calculate_recall(y_true, y_pred)
print("召回率：", recall)
三、指标三：F1分数（F1 Score）
F1分数是准确率和召回率的调和平均数，它综合考虑了准确率和召回率，是评估模型性能的常用指标。
F1分数计算公式
[ \text{F1分数} = \frac{2 \times \text{准确率} \times \text{召回率}}{\text{准确率} + \text{召回率}} ]
源码示例（Python）
def calculate_f1_score(y_true, y_pred):
accuracy = calculate_accuracy(y_true, y_pred)
recall = calculate_recall(y_true, y_pred)
return 2 * accuracy * recall / (accuracy + recall)
# 假设y_true和y_pred是两个列表，分别代表真实标签和预测标签
y_true = [0, 1, 1, 0, 1, 0, 1, 0, 0, 1]
y_pred = [0, 1, 1, 0, 1, 0, 1, 0, 0, 1]
f1_score = calculate_f1_score(y_true, y_pred)
print("F1分数：", f1_score)
通过以上三个关键指标，你可以更好地评估数据分析模型的效果，并根据实际情况调整模型参数。希望这些源码示例能帮助你提升数据分析能力。