续写计算F1和recall的函数并输出，不要自定义

为了计算F1分数和召回率（Recall），我们可以使用如下的方法：

首先需要明确的是`true_positive`, `false_positive`, 和 `false_negative`的数量：
- `true_positive` 是实际为正类且被正确识别为正类的样本数量；
- `false_positive` 是实际为负类但被错误地识别为正类的样本数量；
- `false_negative` 是实际为正类但被错误地识别为负类的样本数量；

基于上述定义，我们可以计算出：
- Recall：`recall = true_positive / (true_positive + false_negative)`
- Precision：`precision = true_positive / (true_positive + false_positive)`
- F1 Score：`f1 = 2 * (precision * recall) / (precision + recall)` （当 precision 或 recall 为零时需避免除以零）

下面是具体的代码实现：

from sklearn.metrics import recall_score, f1_score

# 前提是我们已经有了真实值y_true和模型预测的结果y_pred
y_true = true
y_pred = pred

# 计算召回率
recall = recall_score(y_true, y_pred)

# 计算F1得分
f1 = f1_score(y_true, y_pred)

print('Recall:', recall)
print('F1 Score:', f1)

以上就是利用sklearn库来计算召回率与F1分數的方法，并将其结果打印出来。注意这里直接使用了`sklearn.metrics`模块提供的功能函数来进行相关指标的计算。