Positive/Negative 表示预测的正负

True/False 表示预测是否正确

Precision: 而macro-F1和micro-F1，宏观F1值和微观F1值，考虑的是在多标签(Multi-label)情况下，分类效果的评估方式。

比如Multi-label 性别男或女（0/1）以及是否是学生（0/1）；当然Multi-class也可以通过一定的编码方式转化为Multi-label，如原始类别1，2，3，4，独热编码后可用四元向量表示[0,1,0,0]即表示类标2。

macro-F1和micro-F1正是基于分类目的的多样性，将只适用于Binary分类的F1值推广了：

micro-F1:

统计各个类标的TP、FP、FN、TN，加和构成新的TP、FP、FN、TN，然后即可计算micro-Precision和micro-Recall，得到micro-F1

macro-F1: F1macro

统计各个类标的TP、FP、FN、TN，分别计算各自的Precision和Recall，得到各自的F1值，然后取平均值得到macro-F1

从上面二者计算方式上可以看出，macro-F1平等地看待各个类别，它的值会受到稀有类别的影响；而micro-F1则更容易受到常见类别的影响。

The rate of correct entities appearing in the top k entries for each instance list. This number may exceed 1.00 if the average k-truncated list contains more than one true entity.