1.一个模型的预测永远不会出现在0或1这两个极端，而是介于两者之间;预测越接近极值意味着模型越可信。
1.同时存储最受欢迎者/失败者的赢/输是很浪费的，因为赢+输= 1，你只需要存储一个变量，然后推导出另一个变量。
因此，您的数据应如下所示：

# 1 = favorite wins, 0 = underdog wins / favorite odd / underdog odd
yTrue = np.array([[0, 1.38, 3.05], [1, 1.05, 10.24],[1, 1.04, 7.85]])

# the predicted probability that favorite wins
yPred = np.array([0.7, 0.8, 0.9])

1.除非您希望betUnits成为模型预测的一部分，否则没有必要将其包含在损失函数中，因为它不会影响训练。

1. Keras本地计算maxPotentialProfit的方法是

import keras.backend as K

# split yTrue into 3 columns for easy handling
result = yTrue[:, 0]
favOdds = yTrue[:, 1]
dogOdds = yTrue[:, 2]

# logic: check each element in result, 
# if 1, add the corresponding element in favOdds,
# else, add the corresponding element in dogOdds.
maxPotentialProfit = K.sum(K.switch(result==1, favOdds, dogOdds))

1.由于预测值永远不会是0或1，像if bet[0] == 1 and pred[0] == 1这样的条件就不起作用了，所以我们将输出值（比如0.7）解释为模型在最受欢迎者身上下注0.7个单位，在失败者身上下注0.3个单位。

# split the prediction
favPred = yPred
dogPred = 1 - yPred

# logic: check each element in result,
# if 1, add the corresponding element of favOdds*favPred,
# else, add the corresponding element of dogOdds*dogPred
realProfit = K.sum(K.switch(result==1, favOdds*favPred, dogOdds*dogPred))

# initial cost of betting: 1 for each bet
realProfit -= yPred.shape[0] # this is keras' equivalent of len()
# However, since this value is independent of the values yPred,
# it will have no effects on the training whatsoever, so we can remove it.

return maxPotentialProfit - realProfit

1.你可能注意到maxPotentialProfit和realProfit的计算非常相似，所以我们可以把它们合并在一行中，而不是单独计算。
下面是完整的代码：

import keras.backend as K

def myLoss(yTrue, yPred):
    result = yTrue[:, 0]
    favOdds = yTrue[:, 1]
    dogOdds = yTrue[:, 2]
    favPred = yPred
    dogPred = 1 - yPred
    return K.sum(K.switch(result==1, favOdds*(1-favPred), dogOdds*(1-dogPred)))

1.就这样，只是一个提示：你不能在一些numpy数组上调用myLoss来测试，因为它需要KerasTensor作为输入，你需要建立一个Keras模型，并使用myLoss作为损失函数来观察它的工作，但这超出了这个问题的范围。