在编程中，量化指标通常用于评估模型的性能。这可能包括准确率、召回率、F1分数等。以下是一个简单的Python代码示例，用于计算这些指标：

python
from sklearn.metrics import accuracy_score, recall_score, f1_score

假设我们有一个真实的标签列表和一个预测的标签列表
y_true = [0, 1, 0, 1, 1, 0, 0, 1]
y_pred = [0, 0, 0, 1, 1, 0, 1, 1]

计算准确率
accuracy = accuracy_score(y_true, y_pred)
print('Accuracy: ', accuracy)

计算召回率
recall = recall_score(y_true, y_pred)
print('Recall: ', recall)

计算F1分数
f1 = f1_score(y_true, y_pred)
print('F1 Score: ', f1)

这段代码首先导入了`accuracy_score`，`recall_score`和`f1_score`函数，然后定义了两个列表`y_true`和`y_pred`，分别表示真实的标签和预测的标签。然后，它使用这些函数来计算准确率、召回率和F1分数，并打印出结果。

请注意，这只是一个基本的例子。在实际应用中，你可能需要根据你的具体需求来调整这些函数的参数。例如，如果你正在处理一个多类分类问题，你可能需要指定`average`参数来指定如何计算平均值。