我有一个包含 25,000 个不同客户的训练数据集，每个客户都有 50-500 次银行交易的交易历史（存款和取款，确切的 # 因客户而异）。每个客户都获得了一笔贷款（从 500 到 2000 美元），他们要么违约，要么没有违约（此信息在训练集中给出）。测试集有大约 15,000 个不同的客户（与上面不同的人），我需要根据他们的交易历史预测他们是否会违约。还有一个与每笔交易相关的字符串，给出交易类型（即，他们是否购买了啤酒、咖啡等）。

我想知道从机器学习的角度解决这个问题的最佳方法是什么？即，哪种模型最适合根据客户的交易历史来预测客户拖欠贷款的概率？

我认为 keras 中的神经网络将是最简单的方法，但由于输入大小可变（每个客户的交易数量不同），我不确定如何训练它。另外，我想知道我是否应该使用交易类型字符串，因为这增加了一个全新的难度元素（解析字符串并将其分类为高/低风险类型的交易等）......除非有库可以自动做到这一点..

谢谢