Exceptions et codes d’erreur pour le concepteur

Cet article décrit les messages d’erreur et les codes d’exception dans le concepteur Azure Machine Learning afin de vous aider à résoudre les problèmes liés à vos pipelines d’apprentissage automatique.

Vous pouvez trouver le message d’erreur dans le concepteur en procédant comme suit :

• Sélectionnez le composant ayant échoué, accédez à l’onglet Résultats + Journaux, où vous trouverez le journal détaillé dans le fichier 70_driver_log.txt sous la catégorie azureml-logs.

• Pour plus d’informations sur l’erreur du composant, vous pouvez consulter error_info.json sous la catégorie composant_statistics.

Voici les codes d’erreur des composants dans le concepteur.

Erreur 0001

Une exception se produit si une ou plusieurs colonnes spécifiées du jeu de données sont introuvables.

Vous recevez cette erreur si une sélection de colonne est effectuée pour un composant, mais que la ou les colonnes sélectionnées n’existent pas dans le jeu de données d’entrée. Cette erreur peut se produire si vous avez tapé manuellement le nom d’une colonne ou si le sélecteur de colonnes a fourni une colonne suggérée qui n’existait pas dans votre jeu de données lorsque vous avez lancé le pipeline.

Résolution : Réexaminez le composant qui génère cette exception et vérifiez que le ou les noms des colonnes sont corrects et que toutes les colonnes référencées existent bien.

Messages d’exception
Une ou plusieurs colonnes spécifiées sont introuvables.
La colonne portant le nom ou l’index « {ID_colonne} » est introuvable.
La colonne portant le nom ou l’index « {ID_colonne} » n’existe pas dans « {nom_argument_avec_colonne_manquante} ».
La colonne portant le nom ou l’index « {ID_colonne} » n’existe pas dans « {colonne_manquante_nom_argument} », mais elle existe dans « {nom_argument_avec_colonne} ».
Les colonnes portant le nom ou l’index « {noms_colonnes} » sont introuvables.
Les colonnes portant le nom ou l’index « {noms_colonnes} » n’existent pas dans « {nom_argument_avec_colonne_manquante} ».
Les colonnes portant le nom ou l’index « {noms_colonnes} » n’existent pas dans « {nom_argument_avec_colonne_manquante} », mais elles existent dans « {nom_argument_avec_colonne} ».

Erreur 0002

Une exception se produit si un ou plusieurs paramètres n’ont pas pu être analysés ou convertis dans le type requis par le type de méthode cible.

Cette erreur se produit dans Azure Machine Learning lorsque vous spécifiez un paramètre comme entrée et que le type de valeur est différent du type attendu et qu’une conversion implicite ne peut pas être effectuée.

Résolution : Vérifiez les exigences du composant et déterminez quel type de valeur est requis (chaîne, entier, double, etc.)

Messages d’exception
Échec de l’analyse du paramètre.
Impossible d’analyser le paramètre « {nom_argument_ou_colonne} ».
Échec de la conversion du paramètre « {nom_argument_ou_colonne} » en « {type_cible} ».
Échec de la conversion du paramètre « {nom_argument_ou_colonne} » de « {type_source} » en « {type_cible} ».
Échec de la conversion de la valeur de paramètre « {nom_argument_ou_colonne} » « {valeur_argument} » de « {type_source} » en « {type_cible} ».
Échec de la conversion de la valeur « {valeur_argument} » dans la colonne « {nom_argument_ou_colonne} » de « {type_source} » en « {type_cible} » avec l’utilisation du format « {fmt} » fourni.

Erreur 0003

Cette exception se produit si une ou plusieurs entrées sont null ou vide.

Vous recevez cette erreur dans Azure Machine Learning si des entrées ou des paramètres transmis à un composant sont null ou vides. Cette erreur peut survenir, par exemple, lorsque vous n’avez pas saisi de valeur pour un paramètre. Cela peut également se produire si vous avez sélectionné un jeu de données vide ou un jeu de données pour lequel il manque des valeurs.

Résolution :

• Ouvrez le composant qui a produit l’exception et vérifiez que toutes les entrées ont été spécifiées. Assurez-vous que toutes les entrées requises sont spécifiées.
• Assurez-vous que les données chargées à partir du stockage Azure sont accessibles et que le nom ou la clé du compte n’a pas changé.
• Vérifiez que les données d’entrée ne contiennent pas de valeurs nulles et qu’elles contiennent toutes les valeurs requises.
• Si vous utilisez une requête sur une source de données, vérifiez que les données sont renvoyées dans le format attendu.
• Recherchez les fautes de frappe ou d’autres modifications dans la spécification des données.

Messages d’exception
Une ou plusieurs des entrées sont null ou vides.
L’entrée « {name} » est Null ou vide.

Erreur 0004

Une exception se produit si le paramètre est inférieur ou égal à une valeur spécifique.

Cette erreur s’affiche dans Azure Machine Learning si le paramètre du message est inférieur à une valeur limite requise pour que le composant puisse traiter les données.

Résolution : Réexaminez le composant qui lève l’exception et modifiez le paramètre pour qu’il soit d’une valeur supérieure à la valeur spécifiée.

Messages d’exception
Le paramètre doit être supérieur à la valeur limite.
La valeur du paramètre « {arg_name} » doit être supérieure à {lower_boundary}.
Le paramètre « {arg_name} » a la valeur « {actual_value} » qui doit être supérieure à {lower_boundary}.

Erreur 0005

Une exception se produit si le paramètre est inférieur à une valeur spécifique.

Cette erreur s’affiche dans Azure Machine Learning si le paramètre du message est inférieur ou égal à une valeur limite requise pour que le composant puisse traiter les données.

Résolution : Réexaminez le composant qui lève l’exception et modifiez le paramètre pour qu’il soit d’une valeur supérieure ou égale à la valeur spécifiée.

Messages d’exception
Le paramètre doit être supérieur ou égal à la valeur limite.
La valeur du paramètre « {arg_name} » doit être supérieure ou égale à {lower_boundary}.
Le paramètre « {arg_name} » a la valeur « {value} » qui doit être supérieure ou égale à {lower_boundary}.

Erreur 0006

Une exception se produit si le paramètre est supérieur ou égal à la valeur spécifique.

Cette erreur s’affiche dans Azure Machine Learning si le paramètre du message est supérieur ou égal à une valeur limite requise pour que le composant puisse traiter les données.

Résolution : Réexaminez le composant qui lève l’exception et modifiez le paramètre pour qu’il soit d’une valeur inférieure à la valeur spécifiée.

Messages d’exception
Paramètres différents. L’un des paramètres doit être inférieur à un autre.
La valeur du paramètre « {nom_argument} » doit être inférieure à la valeur du paramètre « {nom_paramètre_limite_supérieure} ».
Le paramètre « {arg_name} » a la valeur « {value} » qui doit être inférieure à {upper_boundary_parameter_name}.

Erreur 0007

Une exception se produit si le paramètre est supérieur à une valeur spécifique.

Vous recevrez cette erreur dans Azure Machine Learning si, dans les propriétés du composant, vous avez spécifié une valeur supérieure à celle autorisée. Par exemple, vous pouvez spécifier une donnée en dehors de la plage des dates prises en charge, ou vous pouvez indiquer que cinq colonnes doivent être utilisées lorsque seulement trois colonnes sont disponibles.

Vous pouvez également voir cette erreur si vous spécifiez deux jeux de données qui doivent correspondre d’une manière ou d’une autre. Par exemple, si vous renommez les colonnes et spécifiez les colonnes par index, le nombre de noms que vous fournissez doit correspondre au nombre d’index de colonne. Un autre exemple pourrait consister en une opération mathématique qui utilise deux colonnes qui doivent, l’une et l’autre, posséder le même nombre de lignes.

Résolution :

• Ouvrez le composant en question et passez en revue les paramètres de propriété numérique.
• Assurez-vous que les valeurs de paramètre se situent dans la plage de valeurs prise en charge pour cette propriété.
• Si le composant accepte plusieurs entrées, assurez-vous qu’elles sont de même taille.

• Vérifiez si le jeu de données ou la source de données a subi des modifications. Il peut arriver qu’une valeur qui fonctionnait avec une version précédente des données échoue après que le nombre de colonnes, les types de données des colonnes ou la taille des données ont été modifiés.

Messages d’exception
Paramètres différents. L’un des paramètres doit être inférieur ou égal à un autre.
La valeur du paramètre « {arg_name} » doit être inférieure ou égale à la valeur du paramètre « {upper_boundary_parameter_name} ».
Le paramètre « {arg_name} » a la valeur « {actual_value} » qui doit être inférieure ou égale à {upper_boundary}.
La valeur« {actual_value} » du paramètre « {arg_name} » doit être inférieure ou égale à la valeur {upper_boundary} du paramètre « {upper_boundary_parameter_name} ».
La valeur « {actual_value} » du paramètre « {arg_name} » doit être inférieure ou égale à la valeur {upper_boundary} du paramètre « {upper_boundary_meaning} ».

Erreur 0008

Une exception se produit si le paramètre n’est pas dans la plage.

Cette erreur s’affiche dans Azure Machine Learning si le paramètre du message réside hors des limites requises pour que le composant puisse traiter les données.

Par exemple, cette erreur s’affiche si vous essayez d’utiliser Ajouter des lignes pour combiner deux jeux de données qui ont un nombre différent de colonnes.

Résolution : Réexaminez le composant qui lève l’exception et modifiez le paramètre pour qu’il réside dans la plage spécifiée.

Messages d’exception
La valeur du paramètre n’est pas dans la plage spécifiée.
La valeur du paramètre « {nom_argument} » n’est pas comprise dans la plage.
La valeur du paramètre « {arg_name} » doit être comprise dans la plage [{lower_boundary}, {upper_boundary}].
La valeur du paramètre « {nom_argument} » n’est pas comprise dans la plage. {raison}

Erreur 0009

Une exception se produit lorsque le nom du compte de stockage Azure ou le nom du conteneur n’est pas spécifié correctement.

Cette erreur se produit dans le concepteur Azure Machine Learning quand vous spécifiez des paramètres pour un compte de stockage Azure, mais que le nom ou le mot de passe ne peut pas être résolu. Les erreurs sur les mots de passe ou les noms de compte peuvent se produire pour de nombreuses raisons :

• Le type du compte est incorrect. Certains nouveaux types de comptes ne sont pas pris en charge pour une utilisation avec le concepteur Machine Learning. Pour plus de détails, consultez Importer des données.
• Le nom de compte que vous avez entré est incorrect
• Le compte n’existe plus
• Le mot de passe du compte de stockage est erroné ou a changé.
• Vous n’avez pas spécifié le nom du conteneur ou le conteneur n’existe pas
• Vous n’avez pas complètement spécifié le chemin d’accès du fichier (chemin d’accès au blob)

Résolution :

De tels problèmes surviennent souvent lorsque vous essayez d’entrer manuellement le nom du compte, le mot de passe ou le chemin d’accès du conteneur. Nous vous recommandons d’utiliser le nouvel assistant du composant Importer des données, qui vous aide à rechercher et vérifier les noms.

Vérifiez également si le compte, le conteneur ou le blob a été supprimé. Choisissez un autre utilitaire de stockage Azure pour vérifier que le nom de compte et le mot de passe ont été entrés correctement et que le conteneur existe.

Certains nouveaux types de comptes ne sont pas pris en charge par Azure Machine Learning. Par exemple, les nouveaux types de stockage « à chaud » et « à froid » ne sont pas utilisables dans le cadre de l’apprentissage automatique. Les comptes de stockage classiques et les comptes de stockage créés pour « Usage général » fonctionnent correctement.

Si le chemin d’accès complet à un blob a été spécifié, vérifiez que le chemin d’accès est spécifié en tant que conteneur/nomblob et que le conteneur et le blob existent dans le compte.

Le chemin d’accès ne doit pas commencer par une barre oblique. Par exemple /conteneur/blob est incorrect et doit être entré en tant que conteneur/blob.

Messages d’exception
Le nom du compte de stockage Azure ou le nom du conteneur est incorrect.
Le nom du compte de stockage Azure « {account_name} » ou le nom du conteneur « {container_name} » est incorrect ; un nom de conteneur était attendu au format conteneur/blob.

Erreur 0010

Une exception se produit si les jeux de données d’entrée possèdent des noms de colonnes qui ne correspondent pas alors qu’ils le devraient correspondre.

Vous recevrez cette erreur dans Azure Machine Learning si l’index de colonne figurant dans le message possède des noms de colonne différents dans les deux jeux de données d’entrée.

Résolution : Utilisez Modifier les métadonnées ou modifiez le jeu de données original pour avoir le même nom de colonne pour l’index de colonne spécifié.

Messages d’exception
Les colonnes avec l’index correspondant dans les jeux de données d’entrée possèdent des noms différents.
Les noms de colonne sont différents pour la colonne {col_index} (de base zéro) des jeux de données d’entrée ({dataset1} et {dataset2} respectivement).

Erreur 0011

Une exception se produit si l’argument du jeu de colonnes transmis ne s’applique à aucune des colonnes du jeu de données.

Vous recevez cette erreur dans Azure Machine Learning si la sélection de colonnes spécifiée ne correspond à aucune des colonnes du jeu de données spécifié.

Vous pouvez également obtenir cette erreur si vous n’avez pas sélectionné de colonne et qu’au moins une colonne est nécessaire pour que le composant fonctionne.

Résolution : Modifiez la sélection de colonnes dans le composant pour qu’elle s’applique aux colonnes du jeu de données.

Si le composant exige que vous sélectionniez une colonne spécifique, telle qu’une colonne d’étiquette, vérifiez que la colonne de droite est sélectionnée.

Si des colonnes inappropriées sont sélectionnées, supprimez-les et réexécutez le pipeline.

Messages d’exception
Le jeu de colonnes spécifié ne s’applique à aucune des colonnes du jeu de données.
Le jeu de colonnes spécifié « {column_set} » ne s’applique à aucune des colonnes du jeu de données.

Erreur 0012

Une exception se produit si l’instance de la classe n’a pas pu être créée avec le jeu d’arguments transmis.

Résolution : Cette erreur ne peut pas être corrigée par l’utilisateur et sera déconseillée dans une version ultérieure.

Messages d’exception
Modèle non entraîné, effectuez d’abord l’entraînement du modèle.
Modèle non entraîné ({nom_argument}), utilisez un modèle entraîné.

Erreur 0013

Une exception se produit si l’apprenant transmis au composant est de type non valide.

Cette erreur se produit lorsqu’un modèle formé est incompatible avec le composant de notation connecté.

Résolution :

Déterminez le type d’apprenant produit par le composant de formation et déterminez le composant de notation qui convient à l’apprenant.

Si le modèle a été formé à l’aide de l’un des composants de formation spécialisés, connectez le modèle formé uniquement au composant de notation spécialisé correspondant.

Type de modèle	Composant Formation	Composant Scoring
n’importe quel classifieur	Former le modèle	Noter le modèle
n’importe quel modèle de régression	Former le modèle	Noter le modèle

Messages d’exception
L’apprenant de type non valide est transmis avec succès.
Le type de l’apprenant « {nom_argument} » n’est pas valide.
L’apprenant « {nom_argument} » a un type non valide « {type_apprenant} ».
L’apprenant de type non valide est transmis avec succès. Message d’exception : {exception_message}

Erreur 0014

Une exception se produit si le nombre de valeurs uniques de colonne est supérieur au nombre autorisé.

Cette erreur se produit lorsqu’une colonne contient trop de valeurs uniques, telles qu’une colonne d’ID ou une colonne de texte. Cette erreur peut s’afficher si vous spécifiez qu’une colonne doit être gérée comme données catégorielles, mais qu’il existe trop de valeurs uniques dans la colonne pour permettre la fin du traitement. Vous pouvez également voir cette erreur s’il existe une incompatibilité entre le nombre de valeurs uniques dans les deux entrées.

L’erreur du nombre de valeurs uniques supérieur au nombre autorisé se produit si les deux conditions suivantes sont réunies :

• Plus de 97 % des instances d’une colonne sont des valeurs uniques, ce qui signifie que presque toutes les catégories sont différentes les unes des autres.
• Une colonne a plus de 1000 valeurs uniques.

Résolution :

Ouvrez le composant qui a généré l’erreur et identifiez les colonnes utilisées comme entrées. Pour certains composants, vous pouvez cliquer sur le jeu de données d’entrée et sélectionnez Visualiser pour obtenir des statistiques sur des colonnes individuelles, y compris le nombre de valeurs uniques et leur distribution.

Pour les colonnes que vous souhaitez utiliser pour le regroupement ou la catégorisation, prenez les mesures nécessaires pour réduire le nombre de valeurs uniques dans les colonnes. Vous pouvez réduire de différentes manières, selon le type de données de la colonne.

Pour les colonnes d’ID qui ne sont pas des caractéristiques significatives pendant l’entraînement d’un modèle, vous pouvez donc utiliser Modifier les métadonnées pour marquer cette colonne comme Effacer la caractéristique afin qu’elle ne soit pas utilisée durant l’entraînement d’un modèle.

Pour les colonnes de texte, vous pouvez utiliser le Hachage des caractéristiques ou le composant d’extraction des caractéristiques de N-grammes du texte pour prétraiter les colonnes de texte.

Conseil

Impossible de trouver une résolution correspondant à votre scénario ? Vous pouvez fournir des commentaires sur cette rubrique qui inclut le nom du composant qui a généré l’erreur, et le type de données et la cardinalité de la colonne. Nous allons utiliser les informations pour fournir des opérations plus ciblées pour les scénarios courants de résolution des problèmes.

Messages d’exception
Le nombre de valeurs uniques de colonne est supérieur au nombre autorisé.
Le nombre de valeurs uniques dans la colonne « {nom_colonne} » est supérieur à la valeur autorisée.
Le nombre de valeurs uniques dans la colonne « {nom_colonne} » dépasse le nombre de tuples {limite}.

Erreur 0015

Une exception se produit si la connexion de base de données a échoué.

Vous recevez cette erreur si vous entrez un nom de compte SQL, un mot de passe, un serveur de base de données ou un nom de la base de données incorrect, ou si une connexion avec la base de données ne peut pas être établie en raison de problèmes avec le serveur ou la base de données.

Résolution : Vérifiez que le nom du compte, le mot de passe, le serveur de base de données et la base de données ont été entrées correctement et que le compte spécifié dispose du niveau d’autorisations approprié. Vérifiez que la base de données est actuellement accessible.

Messages d’exception
Erreur lors de l’établissement d’une connexion à la base de données.
Erreur lors de l’établissement d’une connexion à la base de données : {connection_str}.

Erreur 0016

Une exception se produit si des jeux de données d’entrée transmis au composant possèdent des types de colonnes incompatibles les uns avec les autres.

Vous recevez cette erreur dans Azure Machine Learning si les types de colonnes transmis dans deux ou plusieurs jeux de données ne sont pas compatibles entre eux.

Résolution : Utilisez Modifier les métadonnées ou modifiez le jeu de données d’entrée d’origine pour vous assurer que les types des colonnes sont compatibles.

Messages d’exception
Les colonnes avec l’index correspondant dans les jeux de données d’entrée possèdent des types de données incompatibles.
Les colonnes « {noms_premières_colonnes} » ne sont pas compatibles entre les données d’entraînement et de test.
Les colonnes « {noms_premières_colonnes} » et « {noms_secondes_colonnes} » ne sont pas compatibles.
Les types d’éléments de colonne ne sont pas compatibles pour la colonne « {nom_première_colonne} » (de base zéro) des jeux de données d’entrée ({nom_premier_jeu_de_données} et {nom_second_jeu_de_données} respectivement).

Erreur 0017

Une exception se produit si une colonne sélectionnée utilise un type de données que le composant actuel ne prend pas en charge.

Par exemple, cette erreur peut se produire dans Azure Machine Learning si votre sélection de colonnes inclut une colonne dont le type de données ne peut pas être traité par le composant, tel qu’une colonne chaîne pour une opération mathématique, ou une colonne de score alors qu’une colonne de fonctionnalité catégorielle est requise.

Résolution :

1. Identifiez la colonne qui pose problème.
2. Consultez les conditions requises pour le composant.
3. Modifiez la colonne pour qu’elle soit conforme à ces conditions. Vous pourriez avoir besoin d’utiliser plusieurs des composants suivants pour effectuer des modifications selon la colonne et la conversion que vous essayez :
   • Utilisez Modifier les métadonnées pour modifier le type de données des colonnes ou convertir des colonnes d’un type à un autre (de fonctionnalité à numérique, de catégoriel à non catégoriel, etc.) selon l’utilisation.

4. En dernier recours, vous devrez peut-être modifier le jeu de données d’entrée original.

Conseil

Impossible de trouver une résolution correspondant à votre scénario ? Vous pouvez fournir des commentaires sur cette rubrique qui inclut le nom du composant qui a généré l’erreur, et le type de données et la cardinalité de la colonne. Nous allons utiliser les informations pour fournir des opérations plus ciblées pour les scénarios courants de résolution des problèmes.

Messages d’exception
Impossible de traiter la colonne avec le type actuel. Le type n’est pas pris en charge par le composant.
Impossible de traiter la colonne de type {type_colonne}. Le type n’est pas pris en charge par le composant.
Impossible de traiter la colonne « {nom_colonne} » de type {type_colonne}. Le type n’est pas pris en charge par le composant.
Impossible de traiter la colonne « {nom_colonne} » de type {type_colonne}. Le type n’est pas pris en charge par le composant. Nom du paramètre : {nom_argument}.

Erreur 0018

Une exception se produit si le jeu de données d’entrée n’est pas valide.

Résolution : Il existe plusieurs façons de résoudre cette erreur Azure Machine Learning car elle peut se produire dans de nombreux contextes différentes. En général, le message d’erreur indique que les données fournies en entrée à un composant ont un nombre de colonnes incorrect ou que le type de données ne correspond pas aux exigences du composant. Par exemple :

• Le composant nécessite une colonne d’étiquette, mais aucune colonne n’est marquée en tant qu’étiquette ou vous n’avez pas encore sélectionné de colonne d’étiquette.

• Ce composant exige que les données soient catégorielles, or vos données sont numériques.

• Le format des données est incorrect.

• Les données importées contiennent des caractères non valides, des valeurs incorrectes ou des valeurs hors limites.

• La colonne est vide ou contient trop de cellules vides.

Pour déterminer les exigences et la façon dont vos données peuvent être saisies, consultez la rubrique d’aide du composant qui utilisera le jeu de données comme entrée.

.

Messages d’exception
Le jeu de données n’est pas valide.
{jeu_de_données1} contient des données non valides.
{jeu_de_données1} et {jeu_de_données2} doivent être cohérents du point de vue des colonnes.
{jeu_de_données1} contient des données non valides, {raison}.
{jeu_de_données1} contient {catégorie_de_données_non_valide}. {conseil_dépannage}
{jeu_données1} n’est pas valide, {raison}. {conseil_dépannage}

Erreur 0019

Une exception se produit si la colonne contient des valeurs non triées alors que celles-ci devraient l’être.

Vous recevez cette erreur dans Azure Machine Learning si les valeurs de colonne spécifiées sont en désordre.

Résolution : Triez les valeurs des colonnes en modifiant manuellement le jeu de données d’entrée et réexécutez le composant.

Messages d’exception
Les valeurs de la colonne ne sont pas triées.
Les valeurs de la colonne « {col_index} » ne sont pas triées.
Les valeurs de la colonne « {col_index} » du jeu de données « {dataset} » ne sont pas triées.
Les valeurs de l’argument « {arg_name} » ne sont pas triées dans l’ordre « {sorting_order} ».

Erreur 0020

Une exception se produit si le nombre de colonnes de certains jeux de données transmis au composant est trop faible.

Vous recevez cette erreur dans Azure Machine Learning si le nombre de colonnes sélectionnées est insuffisant pour un composant.

Résolution : Réexaminez le composant et assurez-vous que le sélecteur de colonne possède un nombre correct de colonnes sélectionnées.

Messages d’exception
Le nombre de colonnes du jeu de données d’entrée est inférieur au minimum autorisé.
Le nombre de colonnes du jeu de données d’entrée « {arg_name} » est inférieur au minimum autorisé.
Le nombre de colonnes du jeu de données d’entrée est inférieur au minimum autorisé de {nombre_de_colonnes_requises} colonne(s).
Le nombre de colonnes du jeu de données d’entrée « {nom_argument} » est inférieur au minimum autorisé de {nombre_de_colonnes_requises} colonne(s).

Erreur 0021

Une exception se produit si le nombre de lignes de certains jeux de données transmis au composant est trop faible.

Cette erreur s’affiche dans Azure Machine Learning lorsque l’opération spécifiée ne peut être exécutée en raison du nombre insuffisant de lignes dans le jeu de données. Par exemple, cette erreur peut s’afficher si le jeu de données d’entrée est vide ou si vous essayez d’effectuer une opération qui nécessite un nombre minimum de lignes pour être valide. De telles opérations peuvent inclure (sans toutefois s’y limiter) le regroupement ou la classification fondée sur des méthodes statistiques, certains types de regroupement et la formation par comptage.

Résolution :

• Ouvrez le composant qui a renvoyé l’erreur et vérifiez le jeu de données d’entrée et les propriétés du composant.
• Vérifiez que le jeu de données d’entrée n’est pas vide et qu’il y a suffisamment de lignes de données pour répondre aux exigences décrites dans l’aide du composant.
• Si vos données sont chargées à partir d’une source externe, assurez-vous que la source de données est disponible et qu’il n’y a pas d’erreur ou de modification dans la définition des données qui entraînerait une diminution du nombre de lignes dans le processus d’importation.
• Si vous effectuez une opération sur les données en amont du composant qui pourrait affecter le type de données ou le nombre de valeurs, comme une opération de nettoyage, de fractionnement ou de jointure, vérifiez les résultats produits par une telle opération pour déterminer le nombre de lignes renvoyées.

Messages d’exception
Le nombre de lignes du jeu de données d’entrée est inférieur au minimum autorisé.
Le nombre de lignes dans le jeu de données d’entrée est inférieur au minimum autorisé de {nombre_de_lignes_requises} ligne(s).
Le nombre de lignes dans le jeu de données d’entrée est inférieur au minimum autorisé de {nombre_de_lignes_requises} ligne(s). {raison}
Le nombre de lignes dans le jeu de données d’entrée « {nom_argument} » est inférieur au minimum autorisé de {nombre_de_lignes_requises} ligne(s).
Le nombre de lignes dans le jeu de données d’entrée « {nom_argument} » est {nombre_de_lignes}, ce qui est inférieur au minimum autorisé de {nombre_de_lignes_requises} ligne(s).
Le nombre de lignes « {type_de_ligne} » dans le jeu de données d’entrée « {nom_argument} » est {nombre_de_lignes}, ce qui est inférieur au minimum autorisé de {nombre_de_lignes_requises} ligne(s).

Erreur 0022

Une exception se produit si le nombre de colonnes sélectionnées dans le jeu de données en entrée n’est pas égal au nombre attendu.

Cette erreur d’Azure Machine Learning peut se produire lorsque le composant ou l’opération en aval nécessite un nombre spécifique de colonnes ou d’entrées et que vous avez fourni trop ou pas assez de colonnes ou d’entrées. Par exemple :

• Vous spécifiez une seule colonne d’étiquette ou une seule colonne clé et plusieurs colonnes sélectionnées par inadvertance.

• Vous renommez les colonnes, mais vous avez fourni plus ou moins de noms qu’il n’y a de colonnes.

• Le nombre de colonnes dans la source ou la destination a changé ou ne correspond pas au nombre de colonnes utilisé par le composant.

• Vous avez fourni une liste de valeurs séparées par des virgules pour les entrées, or le nombre de valeurs ne correspond pas ou plusieurs entrées ne sont pas prises en charge.

Résolution : Réexaminez le composant et assurez-vous que la sélection de colonnes possède un nombre correct de colonnes sélectionnées. Vérifiez les sorties des composants en amont et les exigences des opérations en aval.

Si vous avez utilisé l’une des options de sélection de colonnes permettant de sélectionner plusieurs colonnes (index de colonne, toutes les fonctions, toutes les fonctions, toutes les fonctions numériques, etc.), validez le nombre exact de colonnes renvoyées par la sélection.

Vérifiez que le type ou le nombre de colonnes en amont n’a pas changé.

Si vous utilisez un jeu de données de recommandation pour former un modèle, n’oubliez pas que le générateur de recommandations attend un nombre limité de colonnes, correspondant à des paires utilisateur-élément ou à des classements utilisateur-élément. Supprimez les colonnes supplémentaires avant de former le modèle ou de fractionner les jeux de données de recommandation. Pour plus d’informations, voir Fractionner les données.

Messages d’exception
Le nombre de colonnes sélectionnées dans le jeu de données en entrée n’est pas égal au nombre attendu.
Le nombre de colonnes sélectionnées dans le jeu de données d’entrée n’est pas égal à {expected_col_count}.
Le modèle de sélection de colonnes « {selection_pattern_friendly_name} » fournit un nombre de colonnes sélectionnées dans le jeu de données d’entrée différent de {expected_col_count}.
Le modèle de sélection de colonnes « {selection_pattern_friendly_name} » est supposé fournir {expected_col_count} colonnes sélectionnées dans le jeu de données d’entrée, mais {selected_col_count} colonnes est en réalité fourni.

Erreur 0023

Une exception se produit si la colonne cible du jeu de données en entrée n’est pas valide pour le composant de formation actuel.

Cette erreur se produit dans Azure Machine Learning si la colonne cible (telle que sélectionnée dans les paramètres du composant) n’est pas du type de données valide, ne contient aucune valeur ou n’est pas catégorielle comme attendu.

Résolution : Réexaminez l’entrée du composant pour inspecter le contenu de la colonne d’étiquette/cible. Assurez-vous qu’elle n’est pas totalement vide. Si le composant exige que la colonne cible soit catégorielle, assurez-vous qu’elle contient plusieurs valeurs distinctes.

Messages d’exception
Le jeu de données d’entrée comporte une colonne cible non prise en charge.
Le jeu de données d’entrée comporte la colonne cible « {column_index} » qui n’est pas prise en charge.
Le jeu de données d’entrée comporte la colonne cible « {column_index} » qui n’est pas prise en charge pour l’apprenant de type {learner_type}.

Erreur 0024

Une exception se produit si le jeu de données ne contient pas de colonne d’étiquette.

Cette erreur se produit dans Azure Machine Learning lorsque le composant nécessite une colonne d’étiquette alors que le jeu de données n’en contient pas. Par exemple, l’évaluation d’un jeu de données notées exige habituellement la présence d’une colonne d’étiquette pour calculer les métriques d’exactitude.

Il peut aussi arriver qu’une colonne d’étiquette soit présente dans le jeu de données, mais pas détectée correctement par Azure Machine Learning.

Résolution :

• Ouvrez le composant qui a généré l’erreur et déterminez si une colonne d’étiquette est présente. Le nom ou le type de données de la colonne importe peut tant que la colonne contient un seul résultat (ou une variable dépendante) que vous essayez de prédire. En cas de doute sur la colonne contenant l’étiquette, recherchez un nom générique tel que Classe ou Cible.
• Si le jeu de données n’inclut pas de colonne d’étiquette, il est possible que la colonne d’étiquette ait été supprimée explicitement ou accidentellement en amont. Il se peut également que le jeu de données ne soit pas le résultat d’un composant de classement en amont.
• Pour marquer explicitement la colonne en tant que colonne d’étiquette, ajoutez le composant Modifier les métadonnées et connectez le jeu de données. Sélectionnez uniquement la colonne d’étiquette et sélectionnez Étiquette dans la liste déroulante Champs.
• Si la colonne inadéquate est choisie comme étiquette, vous pouvez sélectionner Effacer l’étiquette dans Champs pour corriger les métadonnées sur la colonne.

Messages d’exception
Le jeu de données ne contient pas de colonne d’étiquette.
« {nom_jeu_de_données} » ne contient pas de colonne d’étiquette.

Erreur 0025

Une exception se produit si le jeu de données ne contient pas de colonne de score.

Cette erreur se produit dans Azure Machine Learning si l’entrée du modèle d’évaluation ne contient pas de colonnes de score valides. Par exemple, l’utilisateur tente d’évaluer un jeu de données avant qu’il ne soit évalué à l’aide d’un modèle correctement formé ou que la colonne de score ne soit explicitement supprimée en amont. Cette exception s’applique également si les colonnes de score des deux jeux de données sont incompatibles. Par exemple, vous pouvez essayer de comparer la précision d’un régresseur linéaire à celle d’un classifieur binaire.

Résolution : Réexaminez l’entrée du modèle d’évaluation pour déterminer celui-ci contient une ou plusieurs colonnes de score. Si ce n’est pas le cas, c’est que le jeu de données n’a pas été noté ou que les colonnes de score ont été supprimées dans un composant en amont.

Messages d’exception
Il n’y a pas de colonne de score dans le jeu de données.
Il n’y a pas de colonne de score dans « {dataset_name} ».
Il n’y a pas de colonne de score dans « {dataset_name} » produite par un « {learner_type} ». Notez le jeu de données en utilisant le bon type d’apprenant.

Erreur 0026

Une exception se produit si les colonnes portant le même nom ne sont pas autorisées.

Cette erreur se produit dans Azure Machine Learning si plusieurs colonnes portent le même nom. Par exemple, cette erreur se produit car le jeu de données n’a pas de ligne d’en-tête et les noms de colonne sont attribués automatiquement : Col0, Col1, etc.

Résolution : Si les colonnes portent le même nom, insérez un composant Modifier les métadonnées entre le jeu de données d’entrée et le composant. Utilisez le sélecteur de colonnes dans Modifier les métadonnées pour sélectionner les colonnes à renommer, et tapez les nouveaux noms de colonnes dans la zone de texte Nouveaux noms de colonnes.

Messages d’exception
Les noms de colonnes Equal (Égal à) sont spécifiés dans les arguments. Les noms de colonnes Equal (Égal à) ne sont pas autorisés par le composant.
Les noms de colonne identiques dans les arguments « {arg_name_1} » et « {arg_name_2} » ne sont pas autorisés. Spécifiez des noms différents.

Erreur 0027

Une exception se produit dans le cas où deux objets doivent être de tailles identiques mais ne le sont pas.

Cette erreur fréquente dans Azure Machine Learning peut être causée par de nombreuses conditions.

Résolution : Il n’existe pas une solution en particulier. Toutefois, vous pouvez vérifier les conditions telles que les suivantes :

• Si vous renommez des colonnes, assurez-vous que chaque liste (les colonnes d’entrée et la liste des nouveaux noms) comporte le même nombre d’éléments.

• Si vous joignez ou concaténez deux jeux de données, assurez-vous qu’ils s’appuient sur le même schéma.

• Si vous joignez deux jeux de données qui ont plusieurs colonnes, assurez-vous que les colonnes clés sont définies avec le même type de données et sélectionnez l’option Allow duplicates and preserve column order in selection (Autoriser les doublons et préserver l’ordre des colonnes dans la sélection).

Messages d’exception
La taille des objets transmis est incohérente.
La taille de « {friendly_name1} » n’est pas cohérente avec la taille de « {friendly_name2} ».

Erreur 0028

Une exception se produit dans le cas où le jeu de colonnes contient des noms de colonnes en double, ce qui n’est pas autorisé.

Cette erreur se produit dans Azure Machine Learning lorsque plusieurs noms de colonnes portent le même nom.

Résolution : Si des colonnes portent le même nom, ajoutez une instance de Modifier les métadonnées entre le jeu de données d’entrée et le composant qui provoque l’erreur. Utilisez le Sélecteur de colonnes dans Modifier les métadonnées pour sélectionner les colonnes à renommer, et tapez les nouveaux noms de colonnes dans la zone de texte Nouveaux noms de colonnes. Si vous renommez plusieurs colonnes, assurez-vous que les valeurs que vous saisissez dans New column names (Nouveaux noms de colonne) sont uniques.

Messages d’exception
Le jeu de colonnes contient des noms de colonne en double.
Le nom « {nom_dupliqué} » est dupliqué.
Le nom « {nom_dupliqué} » est dupliqué dans « {nom_argument} ».
Le nom « {nom_dupliqué} » est dupliqué. Détails : {détails}

Erreur 0029

Une exception se produit dans le cas où une URI non valide est transmise.

Cette erreur se produit dans Azure Machine Learning dans le cas où un URI non valide est transmis. Vous recevez cette erreur si l’une des conditions suivantes est vraie :

• Une erreur est identifiée dans l’URI public ou SAS fourni pour la lecture ou l’écriture de données dans Stockage Blob Azure.

• La fenêtre de temps a expiré pour la SAP.

• L’URL web via la source HTTP représente un fichier ou un URI de bouclage.

• Le format de l’URL web via HTTP est incorrect.

• L’URL ne peut pas être résolue par la source distante.

Résolution : Revisitez le composant et vérifiez le format de l’URI. Si la source de données est une URL web via HTTP, vérifiez que la source prévue n’est pas un fichier ou une URI de bouclage (localhost).

Messages d’exception
Un URI non valide est transmis.
L’URI « {invalid_url} » n’est pas valide.

Erreur 0030

Une exception se produit dans le cas où il n’est pas possible de télécharger un fichier.

Cette exception se produit dans Azure Machine Learning lorsqu’il n’est pas possible de télécharger un fichier. Vous recevez cette exception lorsqu’une tentative de lecture effectuée à partir d’une source HTTP a échoué au bout de trois (3) tentatives.

Résolution : Vérifiez que l’URI de la source HTTP est correct et que le site est actuellement accessible via Internet.

Messages d’exception
Impossible de télécharger un fichier.
Erreur lors du téléchargement du fichier : {file_url}.

Erreur 0031

Une exception se produit si le nombre de colonnes du jeu de colonnes est inférieur au nombre requis.

Cette erreur se produit dans Azure Machine Learning si le nombre de colonnes sélectionnées est inférieur au nombre requis. Vous recevez cette erreur si le nombre minimum de colonnes requis n’est pas sélectionné.

Résolution : Ajoutez des colonnes supplémentaires à la sélection de colonnes en utilisant le Sélecteur de colonnes.

Messages d’exception
Le nombre de colonnes du jeu de colonnes est inférieur au nombre requis.
Au moins {required_columns_count} colonnes doivent être spécifiées pour l’argument d’entrée « {arg_name} ».
Au moins {required_columns_count} colonnes doivent être spécifiées pour l’argument d’entrée « {arg_name} ». Le nombre réel de colonnes spécifiées est {input_columns_count}.

Erreur 0032

Une exception se produit si l’argument n’est pas numérique.

Vous recevez cette erreur dans Azure Machine Learning si l’argument est une valeur double ou NaN.

Résolution : Modifiez l’argument spécifié pour utiliser une valeur valide.

Messages d’exception
L’argument n’est pas numérique.
« {arg_name} » n’est pas un nombre.

Erreur 0033

Une exception se produit si l’argument est une valeur infinie (Infinity).

Cette erreur se produit dans Azure Machine Learning si l’argument est infini. Vous recevez ce message d’erreur si l’argument est double.NegativeInfinity ou double.PositiveInfinity.

Résolution : Corrigez la valeur de l’argument spécifié.

Messages d’exception
L’argument doit être fini.
« {arg_name} » n’est pas fini.
La colonne « {column_name} » contient des valeurs infinies.

Erreur 0034

Une exception se produit s’il existe plusieurs classements pour une paire utilisateur-élément donnée.

Cette erreur se produit dans Azure Machine Learning au niveau de la recommandation si une paire utilisateur-élément possède plusieurs valeurs de classement.

Résolution : Assurez-vous que la paire utilisateur-élément possède une seule valeur de classement.

Messages d’exception
Il existe plusieurs classements pour la ou les valeurs du jeu de données.
Il existe plusieurs classements pour l’utilisateur {utilisateur} et l’élément {élément} dans le tableau des données de prévision des classements.
Il existe plusieurs classements pour l’utilisateur {utilisateur} et l’élément {élément} dans {jeu_de_données}.

Erreur 0035

Une exception se produit si aucune fonctionnalité n’est fournie pour un utilisateur ou un élément donné.

Cette erreur se produit dans Azure Machine Learning lorsque vous essayez d’utiliser un modèle de recommandation pour le scoring mais qu’un vecteur de fonctionnalité est introuvable.

Résolution :

Selon la recommandation matchbox, certaines exigences doivent être satisfaites lors de l’utilisation de fonctionnalités d’élément ou de fonctionnalités d’utilisateur. Cette erreur indique qu’il manque un vecteur de fonctionnalité pour un utilisateur ou un élément que vous avez fourni en entrée. Vérifiez qu’un vecteur de fonctionnalité est disponible dans les données pour chaque utilisateur ou élément.

Par exemple, si vous avez formé un modèle de recommandation à l’aide de fonctionnalités telles que l’âge, l’emplacement ou le revenu de l’utilisateur, mais que vous souhaitez à présent créer des scores pour les nouveaux utilisateurs qui n’ont pas été vus pendant la formation, vous devez fournir un ensemble équivalent de fonctionnalités (à savoir l’âge, l’emplacement et les valeurs de revenu) pour les nouveaux utilisateurs afin de définir des prévisions appropriées pour ces derniers.

Si vous ne disposez d’aucune fonctionnalité pour ces utilisateurs, vous pouvez implémenter vos compétences techniques pour développer des fonctionnalités appropriées. Par exemple, si vous n’avez pas de valeurs individuelles d’âge ou de revenu pour les utilisateurs, vous pouvez générer des valeurs approximatives applicables à un groupe d’utilisateurs.

Conseil

La résolution ne s’applique pas à votre cas ? Vous êtes invité à envoyer vos commentaires sur cet élément et à fournir des informations sur le scénario, notamment le composant et le nombre de lignes dans la colonne. À l’avenir, nous utiliserons ces informations pour fournir des opérations plus ciblées de résolution des problèmes.

Messages d’exception
Aucune fonctionnalité n’a été fournie pour un utilisateur ou un élément requis.
Les fonctionnalités pour {required_feature_name} ne sont pas fournies alors qu’elles sont requises.

Erreur 0036

Une exception se produit si plusieurs vecteurs de fonctionnalité ont été fournis pour un utilisateur ou un élément donné.

Cette erreur se produit dans Azure Machine Learning si un vecteur de fonctionnalité est défini plusieurs fois.

Résolution : Assurez-vous que le vecteur de fonctionnalité n’est pas défini plusieurs fois.

Messages d’exception
Définition de fonctionnalité en double pour un utilisateur ou un élément.

Erreur 0037

Une exception se produit si plusieurs colonnes d’étiquette sont spécifiées alors qu’une seule colonne d’étiquette est autorisée.

Cette erreur se produit dans Azure Machine Learning si vous avez sélectionné plusieurs colonnes en tant que nouvelle colonne d’étiquette. La plupart des algorithmes d’apprentissage supervisés exigent qu’une seule colonne soit marquée comme cible ou étiquette.

Résolution : Assurez-vous de sélectionner une seule colonne comme nouvelle colonne d’étiquette.

Messages d’exception
Plusieurs colonnes d’étiquette sont spécifiées.
Plusieurs colonnes d’étiquettes sont spécifiées dans « {nom_jeu_de_données} ».

Erreur 0039

Une exception se produit si une opération a échoué.

Cette erreur se produit dans Azure Machine Learning lorsqu’une opération interne ne peut pas s’achever.

Résolution : Cette erreur est due à de nombreuses conditions différentes : c’est pourquoi il n’existe pas une seule solution au problème.
Le tableau suivant contient des messages génériques pour cette erreur, qui sont suivis d’une description spécifique de la condition.

Si aucun détail n’est disponible, référez-vous à la Page de questions Microsoft Q&A pour envoyer des commentaires dans lesquels vous fournirez des informations sur les composants qui ont généré l’erreur et sur les conditions associées.

Messages d’exception
Échec de l’opération.
Erreur lors de l’exécution de l’opération : « {opération_ayant_écoué} ».
Erreur lors de l’exécution de l’opération : « {opération_ayant_écoué} ». Raison : « {raison} ».

Erreur 0042

Une exception se produit lorsqu’il n’est pas possible de convertir une colonne en un autre type.

Cette erreur se produit dans Azure Machine Learning lorsqu’il n’est pas possible de convertir une colonne vers le type spécifié. Vous recevez cette erreur si un composant nécessite un type de données particulier, comme la date, l’heure, du texte, un nombre à virgule flottante ou un nombre entier, mais qu’il n’est pas possible de convertir une colonne existante vers le type requis.

Par exemple, vous pouvez sélectionner une colonne et essayer de la convertir en un type de données numérique pour une opération mathématique, et obtenir cette erreur si la colonne contient des données non valides.

Cette erreur peut également se produire si vous essayez d’utiliser une colonne contenant des nombres à virgule flottante ou plusieurs valeurs uniques comme colonne catégorielle.

Résolution :

• Ouvrez la page d’aide du composant qui a généré l’erreur et vérifiez le type de données requis.
• Examinez les types de données des colonnes du jeu de données d’entrée.
• Inspectez les données provenant de sources de données dites sans schéma.
• Vérifiez le jeu de données pour détecter les valeurs manquantes ou les caractères spéciaux qui pourraient bloquer la conversion vers le type de données souhaité.
  • Les types de données numériques doivent être cohérents : par exemple, vérifiez la présence de nombres à virgule flottante dans une colonne d’entiers.
  • Recherchez les chaînes de texte ou les valeurs NA dans une colonne numérique.
  • Les valeurs booléennes peuvent être converties en une représentation appropriée en fonction du type de données requis.
  • Examinez les colonnes de texte à la recherche de caractères non unicode, de caractères de tabulation ou de caractères de contrôle.
  • Les données DateHeure doivent être cohérentes pour éviter les erreurs de modélisation, mais le nettoyage peut être complexe en raison des formats nombreux. Envisagez d’utiliser des composants Exécuter un script Python pour effectuer un nettoyage.
• Si nécessaire, modifiez les valeurs du jeu de données d’entrée pour que la colonne puisse être convertie avec succès. La modification peut comprendre des opérations de regroupement, de troncation ou d’arrondi, l’élimination des valeurs aberrantes ou l’imputation des valeurs manquantes. Consultez les articles suivants pour quelques scénarios courants de transformation de données en apprentissage automatique :
  • Nettoyer les données manquantes
  • Normaliser les données

Conseil

La résolution n’est pas claire ou ne s’applique pas à votre cas ? Vous êtes invités à envoyer vos commentaires sur cet élément et à fournir des informations sur le scénario, notamment le composant et le type de données de la colonne. À l’avenir, nous utiliserons ces informations pour fournir des opérations plus ciblées de résolution des problèmes.

Messages d’exception
La conversion n’est pas autorisée.
Impossible de convertir la colonne de type {type1} en colonne de type {type2}.
Impossible de convertir la colonne « {col_name1} » de type {type1} en colonne de type {type2}.
Impossible de convertir la colonne « {col_name1} » de type {type1} en colonne « {col_name2} » de type {type2}.

Erreur 0044

Une exception se produit lorsqu’il n’est pas possible de dériver un type d’élément de colonne à partir de valeurs existantes.

Cette erreur se produit dans Azure Machine Learning lorsqu’il n’est pas possible de déduire le type d’une ou de plusieurs colonnes dans un jeu de données. Cela se produit généralement lors de la concaténation de deux ou plusieurs jeux de données avec différents types d’éléments. Azure Machine Learning génère cette erreur s’il n’est pas en mesure de déterminer un type commun capable de représenter toutes les valeurs dans une ou plusieurs colonnes sans perte d’information.

Résolution : Assurez-vous que toutes les valeurs d’une colonne spécifique dans les deux jeux de données combinés sont du même type (numérique, booléen, catégoriel, chaîne, date, etc.) ou peuvent être forcés sur le même type.

Messages d’exception
Impossible de dériver le type d’élément de la colonne.
Impossible de dériver le type d’élément pour la colonne « {column_name} » : tous les éléments sont des références Null.
Impossible de dériver le type d’élément pour la colonne « {column_name} » du jeu de données « {dataset_name} » : tous les éléments sont des références Null.

Erreur 0045

Une exception se produit lorsqu’il n’est pas possible de créer une colonne en raison de types d’éléments mixtes dans la source.

Cette erreur se produit dans Azure Machine Learning lorsque les types d’éléments de deux jeux de données combinés sont différents.

Résolution : Assurez-vous que toutes les valeurs d’une colonne spécifique dans les deux jeux de données combinés sont du même type (numérique, booléen, catégoriel, chaîne, date, etc.).

Messages d’exception
Impossible de créer la colonne avec des types d’éléments mixtes.
Impossible de créer la colonne avec l’ID « {column_id} » des types d’éléments mixtes : Le type de données [{row_1}, {column_id}] est « {type_1} ». Le type de données [{ligne_2}, {ID_colonne}] est « {type_2} ».
Impossible de créer la colonne avec l’ID « {column_id} » des types d’éléments mixtes : Le type dans le bloc {chunk_id_1} est « {type_1} ». Le type dans le bloc {ID_bloc_2} est « {type_2} » avec la taille de bloc : {taille_bloc}.

Erreur 0046

Une exception se produit lorsqu’il n’est pas possible de créer un répertoire sur le chemin spécifié.

Cette erreur se produit dans Azure Machine Learning lorsqu’il n’est pas possible de créer un répertoire dans le chemin d’accès spécifié. Vous recevez cette erreur si une partie du chemin d’accès au répertoire de sortie d’une requête du répertoire Hive est incorrecte ou inaccessible.

Résolution : Réexaminez le composant et vérifiez que le chemin d’accès du répertoire est correctement formaté et qu’il est accessible avec les informations d’identification actuelles.

Messages d’exception
Spécifiez un répertoire de sortie valide.
Répertoire : impossible de créer {path}. Spécifiez un chemin valide.

Erreur 0047

Une exception se produit si le nombre de colonnes de fonctionnalités de certains jeux de données transmis au composant est trop faible.

Cette erreur se produit dans Azure Machine Learning si le jeu de données d’entrée pour l’apprentissage ne contient pas le nombre minimal de colonnes requis par l’algorithme. En règle générale, soit le jeu de données est vide, soit il ne contient que des colonnes de formation.

Résolution : Réexaminez le jeu de données d’entrée pour vérifier qu’il contient une ou plusieurs colonnes en plus de la colonne d’étiquette.

Messages d’exception
Le nombre de colonnes de fonctionnalité du jeu de données d’entrée est inférieur au minimum autorisé.
Le nombre de colonnes de caractéristiques dans le jeu de données d’entrée est inférieur au minimum autorisé de {nombre_de_colonnes_requises} colonne(s).
Le nombre de colonnes de caractéristiques dans le jeu de données d’entrée « {nom_argument} » est inférieur au minimum autorisé de {nombre_de_colonnes_requises} colonne(s).

Erreur 0048

Une exception se produit dans le cas où il n’est pas possible d’ouvrir un fichier.

Cette erreur se produit dans Azure Machine Learning lorsqu’il n’est pas possible d’ouvrir un fichier en vue de la lecture ou de l’écriture de données. Vous pourriez recevoir cette erreur pour les raisons suivantes :

• Le conteneur ou le fichier (blob) n’existe pas

• Le niveau d’accès du fichier ou du conteneur ne vous permet pas d’accéder au fichier

• Le fichier est trop volumineux pour être lu ou bien le format est incorrect

Résolution : Revisitez le composant et le fichier que vous tentez de lire.

Vérifiez que les noms du conteneur et du fichier sont corrects.

Utilisez le Portail Azure classique ou un outil de stockage Azure pour vérifier que vous avez l’autorisation d’accéder au fichier.

Messages d’exception
Impossible d’ouvrir un fichier.
Erreur lors de l’ouverture du fichier : {file_name}.
Erreur lors de l’ouverture du fichier : {file_name}. Message d’exception de stockage : {exception}.

Erreur 0049

Une exception se produit dans le cas où il n’est pas possible d’analyser un fichier.

Cette erreur se produit dans Azure Machine Learning lorsqu’il n’est pas possible d’analyser un fichier. Vous recevez cette erreur si le format de fichier sélectionné dans le composant Importer des données ne correspond pas au format réel du fichier, ou si le fichier contient un caractère non reconnaissable.

Résolution : Réexaminez le composant et corrigez la sélection du format de fichier s’il ne correspond pas au format du fichier. Si possible, inspectez le fichier pour confirmer qu’il ne contient aucun caractère non autorisé.

Messages d’exception
Impossible d’analyser un fichier.
Erreur lors de l’analyse du fichier {format_fichier} .
Erreur lors de l’analyse du fichier {format_fichier} : {nom_fichier}.
Erreur lors de l’analyse du fichier {format_fichier} . Raison : {raison_échec}.
Erreur lors de l’analyse du fichier {format_fichier} : {nom_fichier}. Raison : {raison_échec}.

Erreur 0052

Une exception se produit si la clé de compte de stockage Azure n’est pas spécifiée correctement.

Cette erreur se produit dans Azure Machine Learning si la clé utilisée pour accéder au compte de stockage Azure est incorrecte. Par exemple, vous pouvez voir cette erreur si la clé de stockage Azure a été tronquée lors de l’opération de copier-coller ou si la clé incorrecte a été utilisée.

Pour plus d’informations sur la façon d’obtenir la clé d’un compte de stockage Azure, consultez la section consacrée à l’affichage, la copie et la régénération des clés d’accès au stockage.

Résolution : Réexaminez le composant et vérifiez que la clé de stockage Azure est correcte pour le compte ; copiez à nouveau la clé du Portail Azure classique si nécessaire.

Messages d’exception
La clé de compte de stockage Azure est incorrecte.

Erreur 0053

Une exception se produit dans le cas où il n’y a pas de fonctionnalités utilisateur ou d’éléments pour les recommandations matchbox.

Cette erreur se produit dans Azure Machine Learning lorsqu’un vecteur de fonctionnalité est introuvable.

Résolution : Assurez-vous qu’un vecteur de fonctionnalité est présent dans le jeu de données d’entrée.

Messages d’exception
Les fonctionnalités et/ou éléments utilisateur sont requis mais ne sont pas fournis.

Erreur 0056

Une exception se produit si les colonnes que vous avez sélectionnées pour une opération ne respectent pas les exigences.

Cette erreur se produit dans Azure Machine Learning lorsque vous choisissez des colonnes pour une opération qui nécessite que la colonne soit d’un type de données particulier.

Cette erreur peut également se produire si la colonne est du type de données approprié, mais que le composant que vous utilisez exige que la colonne soit également marquée comme une fonctionnalité, une étiquette ou une colonne catégorielle.

Résolution :

1. Passez en revue le type de données des colonnes actuellement sélectionnées.

2. Déterminez si les colonnes sélectionnées sont des colonnes catégorielles, d’étiquette ou de fonctionnalités.

3. Examinez la rubrique d’aide du composant dans lequel vous avez effectué la sélection de colonnes afin de déterminer s’il existe des exigences spécifiques pour le type de données ou l’utilisation des colonnes.

4. Utilisez Modifier les métadonnées pour modifier le type de colonne pour la durée de cette opération. Assurez-vous rétablir la valeur d’origine du type de colonne, en utilisant une autre instance de Modifier les métadonnées, si vous en avez besoin pour les opérations en aval.

Messages d’exception
Une ou plusieurs colonnes sélectionnées n’appartenaient pas à une catégorie autorisée.
La colonne portant le nom « {nom_colonne} » n’appartient pas à une catégorie autorisée.

Erreur 0057

Une exception se produit lorsque vous tentez de créer un fichier ou un blob qui existe déjà.

Cette exception se produit lorsque vous utilisez le composant Exporter des données ou un autre composant pour enregistrer les résultats d’un pipeline dans Azure Machine Learning dans le stockage blob Azure, mais que vous essayez de créer un fichier ou un blob qui existe déjà.

Résolution :

Vous ne recevez cette erreur que si vous avez préalablement défini la propriété Azure blob storage write mode (Mode écriture du stockage Blob Azure) sur Error. De par sa conception, ce composant génère une erreur si vous essayez d’écrire un jeu de données dans un blob qui existe déjà.

• Ouvrez les propriétés du composant et définissez la propriété Azure blob storage write mode sur Overwrite (Remplacer).
• Vous pouvez également saisir le nom d’un fichier ou d’un blob de destination différent et vous assurer de spécifier un blob qui n’existe pas déjà.

Messages d’exception
Le fichier ou le blob existe déjà.
Le fichier ou l’objet blob « {file_path} » existe déjà.

Erreur 0058

Cette erreur se produit dans Azure Machine Learning si le jeu de données ne contient pas la colonne d’étiquette attendue.

Cette exception peut également se produire lorsque la colonne d’étiquette fournie ne correspond pas aux données ou au type de données attendu par l’apprenant ou qu’elle contient des valeurs erronées. Par exemple, cette exception est produite lors de l’utilisation d’une colonne d’étiquette à valeur réelle lors de la formation d’un classifieur binaire.

Résolution : La résolution dépend de l’apprenant ou du formateur que vous utilisez et des types de données des colonnes de votre jeu de données. Tout d’abord, vérifiez les exigences de l’algorithme d’apprentissage automatique ou du composant de formation.

Examinez le jeu de données d’entrée. Vérifiez que la colonne que vous vous attendez à traiter telle que l’étiquette possède le type de données approprié pour le modèle que vous créez.

Vérifiez les entrées pour les valeurs manquantes et supprimez-les ou remplacez-les si nécessaire.

Si nécessaire, ajoutez le composant Modifier les métadonnées et assurez-vous que la colonne d’étiquette est marquée en tant qu’étiquette.

Messages d’exception
Les valeurs de colonnes d’étiquettes et les valeurs de colonnes d’étiquettes notées ne sont pas comparables.
La colonne d’étiquette n’est pas spécifiée comme prévu dans « {nom_jeu_de_données} ».
La colonne d’étiquette n’est pas spécifiée comme prévu dans « {nom_jeu_de_données} », {raison}.
La colonne d’étiquette « {nom_colonne} » n’est pas spécifiée comme prévu dans « {nom_jeu_de_données} ».
La colonne d’étiquette « {nom_colonne} » n’est pas spécifiée comme prévu dans « {nom_jeu_de_données} », {raison}.

Erreur 0059

Une exception se produit si un index de colonne spécifié dans un sélecteur de colonnes ne peut pas être analysé.

Cette erreur se produit dans Azure Machine Learning si un index de colonne spécifié lors de l’utilisation du sélecteur de colonnes ne peut pas être analysé. Vous recevez cette erreur lorsque l’index de colonne est dans un format non valide qui ne peut pas être analysé.

Résolution : Modifiez l’index de colonne pour utiliser une valeur d’index valide.

Messages d’exception
Un ou plusieurs index de colonne ou plages d’index spécifiés n’ont pas pu être analysés.
L’index ou la plage de colonnes « {column_index_or_range} » n’a pas pu être analysé.

Erreur 0060

Une exception se produit lorsqu’une plage de colonnes hors limite est spécifiée dans un sélecteur de colonnes.

Cette erreur se produit dans Azure Machine Learning lorsqu’une plage de colonnes hors limites est spécifiée dans le sélecteur de colonnes. Vous recevez cette erreur si la plage de colonnes figurant dans le sélecteur de colonnes ne correspond pas aux colonnes du jeu de données.

Résolution : Modifiez la plage de colonnes figurant dans le sélecteur de colonnes de sorte qu’elle corresponde aux colonnes du jeu de données.

Messages d’exception
Plage d’index de colonnes non valide ou hors limites spécifiée.
La plage de colonnes « {column_range} » est non valide ou hors limites.

Erreur 0061

Une exception se produit lorsque vous tentez d’ajouter une ligne à un DataTable dont le nombre de colonnes est différent de celui de la table.

Cette erreur se produit dans Azure Machine Learning lorsque vous essayez d’ajouter une ligne à un jeu de données dont le nombre de colonnes est différent de celui du jeu de données. Vous recevez cette erreur si la ligne qui est ajoutée au jeu de données possède un nombre de colonnes différent de celui du jeu de données d’entrée. La ligne ne peut pas être ajoutée au jeu de données si le nombre de colonnes est différent.

Résolution : Modifiez le jeu de données d’entrée pour qu’il possède le même nombre de colonnes que la ligne ajoutée, ou modifiez la ligne ajoutée pour qu’elle possède le même nombre de colonnes que le jeu de données.

Messages d’exception
Toutes les tables doivent avoir le même nombre de colonnes.
Les colonnes du bloc « {ID_bloc_1} » sont différentes de celles du bloc « {ID_bloc_2} » avec la taille de bloc : {taille_bloc}.
Le nombre de colonnes dans le fichier « {nom_fichier_1} » (Count = {nombre_colonne_1}) est différent de celui du fichier « {nom_fichier_2} » (Count = {nombre_colonne_2}).

Erreur 0062

Une exception se produit lorsque l’on tente de comparer deux modèles avec des types d’apprenants différents.

Cette erreur se produit dans Azure Machine Learning lorsqu’il n’est pas possible de comparer les métriques d’évaluation de deux jeux de données notés différents. Dans ce cas, il n’est pas possible de comparer l’efficacité des modèles utilisés pour produire les deux jeux de données notés.

Résolution : Vérifiez que les résultats notés sont produits par le même type de modèle d’apprentissage automatique (classification binaire, régression, classification multi-classe, recommandation, clustering, détection des anomalies, etc.) Tous les modèles que vous comparez doivent avoir le même type d’apprenant.

Messages d’exception
Tous les modèles doivent avoir le même type d’apprenant.
Type d’apprenant incompatible obtenu : « {type_apprenant} ». Les types d’apprenants attendus sont : « {liste_types_apprenants_attendus} ».

Erreur 0064

Une exception se produit si le nom du compte de stockage Azure ou la clé de stockage n’est pas spécifiée correctement.

Cette erreur se produit dans Azure Machine Learning si le nom du compte de stockage Azure ou la clé de stockage n’est pas spécifiée correctement. Vous recevez cette erreur si vous entrez un nom de compte ou un mot de passe incorrect pour le compte de stockage. Cela peut se produire si vous entrez manuellement le nom de compte ou le mot de passe. Cela peut également se produire si le compte a été supprimé.

Résolution : Vérifiez que le nom de compte et le mot de passe ont été saisis correctement et que le compte existe.

Messages d’exception
Le nom du compte de stockage Azure ou la clé de stockage est incorrect.
Le nom de compte de stockage Azure « {nom_compte} » ou la clé de stockage du nom de compte est incorrect.

Erreur 0065

Une exception se produit si le nom du bob Azure n’est pas spécifié correctement.

Cette erreur se produit dans Azure Machine Learning si le nom du blob Azure n’est pas spécifié correctement. Vous recevez l’erreur si :

• Le blob est introuvable dans le conteneur spécifié.

• Seul le conteneur a été spécifié comme source dans une requête Importer des données lorsque le format était Excel ou CSV avec encodage ; la concaténation du contenu de tous les blobs dans un conteneur n’est pas autorisée avec ces formats.

• Une URI SAS ne contient pas le nom d’un blob valide.

Résolution : Revisitez le composant levant l’exception. Vérifiez que le blob spécifié existe bien dans le conteneur du compte de stockage et que les autorisations vous permettent de voir le blob. Vérifiez que l’entrée est définie sous la forme nomconteneur/nomfichier si vous avez Excel ou CSV avec des formats d’encodage. Vérifiez qu’une URI SAS contient le nom d’un blob valide.

Messages d’exception
Le nom de l’objet blob de stockage Azure est incorrect.
Le nom de l’objet blob de stockage Azure « {nom_objet_blob} » est incorrect.
Le nom de l’objet blob de stockage Azure avec le préfixe « {préfixe_nom_objet_blob} » n’existe pas.
Impossible de trouver des objets blob de stockage Azure sous le conteneur « {nom_conteneur} ».
Impossible de trouver des objets blob de stockage Azure avec le chemin générique « {chemin_générique_blob} ».

Erreur 0066

Une exception se produit si une ressource n’a pas pu être téléchargée vers un blob Azure.

Cette erreur se produit dans Azure Machine Learning si une ressource n’a pas pu être téléchargée dans un blob Azure. Les deux sont sauvegardés sur le même compte de stockage Azure que le compte contenant le fichier d’entrée.

Résolution : Revisitez le composant. Vérifiez que le nom du compte Azure, la clé de stockage et le conteneur sont corrects et que le compte est autorisé à écrire dans le conteneur.

Messages d’exception
La ressource n’a pas pu être chargée vers le stockage Azure.
Le fichier « {source_path} » n’a pas pu être chargé sur le stockage Azure en tant que « {dest_path} ».

Erreur 0067

Une exception se produit si un jeu de données possède un nombre de colonnes différent du nombre de colonnes prévu.

Cette erreur se produit dans Azure Machine Learning si un jeu de données possède un nombre de colonnes différent du nombre de colonnes prévu. Vous recevrez cette erreur lorsque le nombre de colonnes du jeu de données est différent du nombre de colonnes attendu par le composant pendant l’exécution.

Résolution : Modifiez le jeu de données d’entrée ou les paramètres.

Messages d’exception
Nombre de colonnes inattendu dans la table de données.
Nombre de colonnes inattendu dans le jeu de données « {nom_jeu_de_données} ».
« {nombre_de_colonnes_attendues} » colonnes attendues, mais « {nombre_de_colonnes_réel} » colonnes ont été trouvées à la place.
Dans le jeu de données d’entrée « {nom_jeu_de_données} », « {nombre_de_colonnes_attendues} » colonnes attendues, mais « {nombre_de_colonnes_réel} » colonnes ont été trouvées à la place.

Erreur 0068

Une exception se produit si le script Hive spécifié n’est pas correct.

Cette erreur se produit dans Azure Machine Learning si un script Hive SQL contient des erreurs de syntaxe ou si l’interpréteur Hive rencontre une erreur lors de l’exécution de la requête ou du script.

Résolution :

Le message d’erreur Hive est normalement rapporté dans le journal des erreurs afin que vous puissiez prendre des mesures en fonction de l’erreur spécifique.

• Ouvrez le composant et vérifiez si la requête contient des erreurs.
• Vérifiez que la requête fonctionne correctement en dehors d’Azure Machine Learning en vous connectant à la console Hive de votre cluster Hadoop et en exécutant la requête.
• Veillez à placer les commentaires dans votre script Hive sur une ligne séparée au lieu de mélanger les instructions exécutables et les commentaires sur une seule ligne.

Ressources

Consultez les articles suivants pour obtenir de l’aide sur les requêtes Hive dans le cadre de l’apprentissage automatique :

• Créer des tables Hive et charger des données à partir de Stockage Blob Azure
• Explorer les données dans des tables avec des requêtes Hive
• Création de fonctionnalités pour les données dans un cluster Hadoop à l’aide de requêtes Hive
• Aide-mémoire pour les utilisateurs Hive pour SQL (PDF) (en anglais)

Messages d’exception
Le script Hive est incorrect.

Erreur 0069

Une exception se produit si le script SQL spécifié n’est pas correct.

Cette erreur se produit dans Azure Machine Learning si le script SQL spécifié comporte des problèmes de syntaxe ou si les colonnes ou le tableau spécifié dans le script n’est pas valide.

Vous recevrez cette erreur si le moteur SQL rencontre une erreur lors de l’exécution de la requête ou du script. Le message d’erreur SQL est normalement rapporté dans le journal des erreurs afin que vous puissiez prendre des mesures en fonction de l’erreur spécifique.

Résolution : revisitez le composant et examinez les erreurs de la SQL requête.

Vérifiez que la requête fonctionne correctement en dehors d’Azure Machine Learning en vous connectant directement au serveur de base de données et en exécutant la requête.

Si un message SQL est généré par l’exception du composant, prenez les mesures en fonction de l’erreur signalée. Par exemple, les messages d’erreur contiennent parfois des indications spécifiques sur l’erreur probable :

• Aucune colonne ou base de données manquante, indiquant que vous avez peut-être tapé un nom de colonne incorrect. Si vous êtes sûr que le nom de la colonne est correct, essayez d’utiliser des crochets ou des guillemets pour inclure l’identificateur de colonne.
• Erreur logique SQL près de <mot-clé SQL> , indiquant une erreur de syntaxe probable avant le mot-clé spécifié

Messages d’exception
Le script SQL est incorrect.
La requête SQL « {sql_query} » n’est pas correcte.
La requête SQL « {sql_query} » n’est pas correcte. Message d’exception : {exception}.

Erreur 0070

Une exception se produit lorsque l’on tente d’accéder à une table Azure inexistante.

Cette erreur se produit dans Azure Machine Learning lorsque vous essayez d’accéder à une table Azure inexistante. Vous recevrez cette erreur si vous spécifiez une table dans le stockage Azure qui n’existe pas lors de la lecture ou de l’écriture dans Stockage Table Azure. Cela peut se produire si le nom de la table souhaitée que vous avez saisi est erroné ou si le nom cible et le type de stockage sont différents. Par exemple, vous aviez l’intention d’effectuer une lecture dans une table mais vous avez entré le nom d’un blob.

Résolution : Réexaminez le composant pour vérifier que le nom de la table est correct.

Messages d’exception
La table Azure n’existe pas.
La table Azure « {table_name} » n’existe pas.

Erreur 0072

Une exception se produit dans le cas d’un délai d’attente de connexion.

Cette erreur se produit dans Azure Machine Learning lorsqu’une connexion arrive à expiration. Vous recevez cette erreur s’il existe actuellement des problèmes de connectivité avec la source ou la destination de données, comme une connexion Internet lente, ou si le jeu de données est volumineux et/ou si la requête SQL à lire dans les données effectue un traitement complexe.

Résolution : Déterminez s’il existe actuellement des problèmes de lenteur de connexion au stockage Azure ou à Internet.

Messages d’exception
Le délai d’expiration de la connexion s’est écoulé.

Erreur 0073

Une exception se produit si une erreur se produit lors de la conversion d’une colonne vers un autre type.

Cette erreur se produit dans Azure Machine Learning lorsqu’il n’est pas possible de convertir une colonne en un autre type. Vous recevez cette erreur si un composant nécessite un type particulier et qu’il n’est pas possible de convertir la colonne vers le nouveau type.

Résolution : Modifiez le jeu de données d’entrée pour que la colonne puisse être convertie en fonction de l’exception interne.

Messages d’exception
Échec de conversion de colonne.
Échec de conversion de colonne en {target_type}.

Erreur 0075

Une exception se produit lorsqu’une fonction de regroupement non valide est utilisée lors de la quantification d’un jeu de données.

Cette erreur se produit dans Azure Machine Learning lorsque vous essayez de lier des données à l’aide d’une méthode non prise en charge ou lorsque les combinaisons de paramètres ne sont pas valides.

Résolution :

La gestion des erreurs pour cet événement a été introduite dans une version antérieure d’Azure Machine Learning qui permettait une plus grande personnalisation des méthodes de compartimentage. Actuellement, toutes les méthodes de compartimentage sont basées sur une sélection dans une liste déroulante, donc techniquement cette erreur ne devrait plus se produire.

Messages d’exception
La fonction de compartimentage n’est pas valide.

Erreur 0077

Une exception se produit en cas de transmission du mode écriture d’un fichier blob inconnu.

Cette erreur se produit dans Azure Machine Learning si un argument non valide est transmis dans les spécifications pour une destination ou une source de fichier blob.

Résolution : Dans presque tous les composants qui importent ou exportent des données vers et depuis le Stockage blob Azure, les valeurs des paramètres contrôlant le mode d’écriture sont assignées à partir d’une liste déroulante ; il n’est donc pas possible de transmettre une valeur non valide, et cette erreur ne devrait pas survenir. Cette erreur ne sera plus possible dans une version ultérieure.

Messages d’exception
Mode écriture d’objet blob non pris en charge.
Mode écriture d’objet blob non pris en charge : {blob_write_mode}.

Erreur 0078

Une exception se produit lorsque l’option HTTP associée à Importer des données reçoit un code d’état 3xx indiquant une redirection.

Cette erreur se produit dans Azure Machine Learning lorsque l’option HTTP associée à Importer des données reçoit un code d’état 3xx (301, 302, 304, etc.) indiquant une redirection. Vous recevez cette erreur si vous tentez de vous connecter à une source HTTP qui redirige le navigateur vers une autre page. Pour des raisons de sécurité, la redirection de sites web n’est pas autorisée comme source de données pour Azure Machine Learning.

Résolution : Si le site web est un site web de confiance, entrez directement l’URL redirigée.

Messages d’exception
La redirection HTTP n’est pas autorisée.

Erreur 0079

Une exception se produit si le nom du conteneur de stockage Azure n’est pas spécifié correctement.

Cette erreur se produit dans Azure Machine Learning si le nom du conteneur de stockage Azure n’est pas spécifié correctement. Vous recevez cette erreur si vous n’avez pas spécifié à la fois le conteneur et le nom du blob (fichier) en utilisant l’option Path to blob beginning with container (Chemin d’accès vers le blob en commençant par le conteneur) lorsque vous écrivez dans Stockage Blob Azure.

Résolution : Réexaminez le composant Exporter des données et vérifiez que le chemin d’accès au blob contient à la fois le conteneur et le nom du fichier, dans le format conteneur/nomfichier.

Messages d’exception
Le nom du conteneur de stockage Azure est incorrect.
Le nom de conteneur de stockage Azure « {container_name} » est incorrect ; un nom de conteneur était attendu au format conteneur/blob.

Erreur 0080

Une exception se produit lorsque le composant n’autorise pas la présence de colonnes sans valeurs.

Cette erreur se produit dans Azure Machine Learning lorsque aucune valeur ne figure dans une ou plusieurs des colonnes utilisées par le composant. Par exemple, si un composant calcule des statistiques globales pour chaque colonne, il ne peut pas fonctionner sur une colonne qui ne contient aucune donnée. Dans ce cas, l’exécution du composant est interrompue avec cette exception.

Résolution : Réexaminez le jeu de données d’entrée et supprimez toutes les colonnes vides.

Messages d’exception
Les colonnes ne comportant aucune valeur ne sont pas autorisées.
Toutes les valeurs de la colonne {col_index_or_name} sont manquantes.

Erreur 0081

Une exception se produit dans le composant PCA si le nombre de dimensions à réduire est égal au nombre de colonnes de fonctionnalités dans le jeu de données d’entrée, lequel contient au moins une colonne de fonctionnalités éparses.

Cette erreur se produit dans Azure Machine Learning si les conditions suivantes sont remplies : (a) le jeu de données d’entrée comporte au moins une colonne éparse et (b) le nombre final de dimensions demandées est égal au nombre de dimensions d’entrée.

Résolution : Réduisez le nombre de dimensions dans la sortie pour qu’il soit inférieur au nombre de dimensions dans l’entrée. Ce cas est courant dans les applications de PCA.

Messages d’exception
Pour les jeux de données contenant des colonnes d’éléments épars, le nombre de dimensions à réduire doit être inférieur au nombre de colonnes de caractéristiques.

Erreur 0082

Une exception se produit lorsque la désérialisation d’un modèle n’aboutit pas.

Cette erreur se produit dans Azure Machine Learning lorsqu’un modèle ou une transformation d’apprentissage automatique enregistré ne peut pas être chargé par une version plus récente du runtime Azure Machine Learning à la suite d’un changement cassant.

Résolution : Le pipeline de formation qui a produit le modèle ou la transformation doit être exécuté de nouveau et le modèle ou la transformation doit être enregistré de nouveau également.

Messages d’exception
Le modèle n’a pas pu être désérialisé parce qu’il est probablement sérialisé dans un format de sérialisation plus ancien. Formez de nouveau le modèle, puis enregistrez-le.

Erreur 0083

Une exception se produit si le jeu de données utilisé pour la formation n’est pas compatible avec un type concret d’apprenant.

Cette erreur se produit dans Azure Machine Learning lorsque le jeu de données est incompatible avec l’apprenant en formation. Par exemple, au moins une valeur est manquante sur chaque ligne du jeu de données, ce qui signifie que celui-ci peut être ignoré pendant la formation. Dans d’autres cas, certains algorithmes d’apprentissage automatique tels que la détection d’anomalies ne s’attendent pas à la présence d’étiquettes et peuvent générer cette exception si le jeu de données contient des étiquettes.

Résolution : Consulter la documentation de l’apprenant utilisé pour vérifier les exigences du jeu de données d’entrée. Examinez les colonnes pour vérifier si toutes les colonnes requises sont présentes.

Messages d’exception
Le jeu de données utilisé pour la formation n’est pas valide.
{data_name} contient des données non valides pour l’entraînement.
{data_name} contient des données non valides pour l’entraînement. Type d’apprenant : {learner_type}.
{data_name} contient des données non valides pour l’entraînement. Type d’apprenant : {learner_type}. Raison : « {raison} ».
Impossible d’appliquer l’action « {nom_action} » sur les données d’apprentissage {nom_données}. Raison : « {raison} ».

Erreur 0084

Une exception se produit lorsque les scores produits à partir d’un script R sont évalués. Cela n’est actuellement pas pris en charge.

Cette erreur se produit dans Azure Machine Learning si vous essayez d’utiliser l’un des composants pour évaluer un modèle avec sortie à partir d’un script R qui contient des scores.

Résolution :

Messages d’exception
L’évaluation des scores produites par le modèle personnalisé n’est actuellement pas prise en charge.

Erreur 0085

Une exception se produit lorsque l’évaluation du script échoue avec une erreur.

Cette erreur se produit dans Azure Machine Learning lorsque vous exécutez un script personnalisé qui contient des erreurs de syntaxe.

Résolution : Dans un éditeur externe, vérifiez si votre code contient des erreurs.

Messages d’exception
Erreur lors de l’évaluation du script.
L’erreur suivante s’est produite lors de l’évaluation du script. Pour plus d’informations, consultez le journal de sortie : ----------Début du message d’erreur de l’interpréteur {script_language}---------- {message} ----------Fin du message d’erreur de l’interpréteur {script_language}----------

Erreur 0090

Une exception se produit lorsque la création de table Hive échoue.

Cette erreur se produit dans Azure Machine Learning lorsque vous utilisez Exporter des données ou une autre option pour enregistrer les données dans un cluster HDInsight et que la table Hive spécifiée ne peut pas être créée.

Résolution : Vérifiez le nom du compte de stockage Azure associé au cluster et vérifiez que vous utilisez le même compte dans les propriétés du composant.

Messages d’exception
Impossible de créer la table Hive. Pour un cluster HDInsight, vérifiez que le nom du compte de stockage Azure associé au cluster est identique à la valeur transmise par le paramètre de composant.
Impossible de créer la table Hive « {table_name} ». Pour un cluster HDInsight, vérifiez que le nom du compte de stockage Azure associé au cluster est identique à la valeur transmise par le paramètre de composant.
Impossible de créer la table Hive « {table_name} ». Pour un cluster HDInsight, vérifiez que le nom du compte de stockage Azure associé au cluster est « {cluster_name} ».

Erreur 0102

Une exception se produit lorsqu’un fichier ZIP ne peut pas être extrait.

Cette erreur se produit dans Azure Machine Learning lorsque vous importez un package compressé possédant l’extension.zip mais que celui-ci n’est pas un fichier zip ou que le fichier zip est enregistré dans un format zip qui n’est pas en charge.

Résolution : Assurez-vous que le fichier sélectionné est un fichier .zip valide et qu’il a été compressé à l’aide d’un algorithme de compression pris en charge.

Si vous obtenez cette erreur lors de l’importation de jeux de données au format compressé, vérifiez que tous les fichiers contenus utilisent l’un des formats de fichiers pris en charge et qu’ils sont au format Unicode.

Essayez de rajouter les fichiers souhaités dans un nouveau dossier compressé au format zip et essayez de rajouter le composant personnalisé.

Messages d’exception
Le format du fichier ZIP donné n’est pas correct.

Erreur 0105

Cette erreur s’affiche lorsqu’un fichier de définition de composant contient un type de paramètre non pris en charge

Cette erreur se produit dans Azure Machine Learning lorsque vous créez une définition xml de composant personnalisé et que le type d’un paramètre ou d’un argument dans la définition ne correspond pas à un type pris en charge.

Résolution : Assurez-vous que la propriété de type de n’importe quel élément Arg du fichier de définition xml du composant personnalisé est un type pris en charge.

Messages d’exception
Type de paramètre non pris en charge.
Le type de paramètre « {0} » non pris en charge est spécifié.

Erreur 0107

Une exception se produit lorsqu’un fichier de définition de composant définit un type de sortie non pris en charge

Cette erreur se produit dans Azure Machine Learning lorsque le type d’un port de sortie dans une définition xml de composant personnalisé ne correspond pas à un type pris en charge.

Résolution : Assurez-vous que la propriété de type d’un élément Output du fichier de définition xml du composant personnalisé est un type pris en charge.

Messages d’exception
Type de sortie non pris en charge.
Type de sortie « {output_type} » non pris en charge spécifié.

Erreur 0125

Une exception se produit lorsque les schémas de plusieurs jeux de données ne correspondent pas.

Résolution :

Messages d’exception
Le schéma du jeu de données ne correspond pas.

Erreur 0127

La taille en pixels de l’image dépasse la limite autorisée

Cette erreur se produit si vous lisez des images d’un jeu de données d’images à des fins de classification et que le modèle ne peut pas traiter ces images car leur taille est trop importante.

Messages d’exception
La taille en pixels de l’image dépasse la limite autorisée.
La taille en pixels de l’image dans le fichier « {file_path} » dépasse la limite autorisée : « {size_limit} ».

Erreur 0128

Le nombre de probabilités conditionnelles dépasse la limite pour les colonnes catégorielles.

Résolution :

Messages d’exception
Le nombre de probabilités conditionnelles dépasse la limite pour les colonnes catégorielles.
Le nombre de probabilités conditionnelles dépasse la limite pour les colonnes catégorielles. Les colonnes « {column_name_or_index_1} » et « {column_name_or_index_2} » sont la paire problématique.

Erreur 0129

Le nombre de colonnes du jeu de données dépasse la limite autorisée.

Résolution :

Messages d’exception
Le nombre de colonnes du jeu de données dépasse la limite autorisée.
Le nombre de colonnes du jeu de données « {nom_jeu_de_données} » dépasse la limite autorisée.
Le nombre de colonnes du jeu de données « {nom_jeu_de_données} » dépasse la limite autorisée de « {nom_composant} ».
Le nombre de colonnes du jeu de données « {nom_jeu_de_données} » dépasse la limite autorisée « {nombre_limite_de_colonnes} » de « {nom_composant} ».

Erreur 0134

Une exception se produit lorsqu’une colonne d’étiquette est manquante ou possède un nombre insuffisant de lignes étiquetées.

Cette erreur se produit lorsque le composant nécessite une colonne d’étiquette mais que vous n’en avez pas inclus dans la sélection de colonnes ou que le nombre de valeurs est trop faible dans la colonne d’étiquette.

Cette erreur peut également se produire lorsqu’une opération précédente modifie le jeu de données de sorte qu’un nombre insuffisant de lignes est disponible pour une opération en aval. Par exemple, supposons que vous utilisiez une expression dans le composant Partition and Sample (Partitionner et échantillonner) pour diviser un jeu de données par valeurs. Si aucune correspondance n’est trouvée pour votre expression, l’un des jeux de données résultant de la partition sera vide.

Résolution :

Si vous incluez une colonne d’étiquette dans la sélection de colonnes mais qu’elle n’est pas reconnue, utilisez le composant Modifier les métadonnées pour la marquer en tant que colonne d’étiquette.

Ensuite, vous pouvez utiliser le composant Clean Missing Data (Nettoyer les données manquantes) pour supprimer les lignes vides dans la colonne d’étiquette.

Vérifiez vos jeux de données d’entrée pour vous assurer qu’ils contiennent des données valides et suffisamment de lignes pour satisfaire aux exigences de l’opération. De nombreux algorithmes génèrent un message d’erreur s’ils nécessitent un nombre minimal de lignes de données ; or, les données ne contiennent que quelques lignes ou seulement un en-tête.

Messages d’exception
Une exception se produit lorsqu’une colonne d’étiquette est manquante ou possède un nombre insuffisant de lignes étiquetées.
Une exception se produit quand une colonne d’étiquette est manquante ou a moins de {nombre_de_lignes_requises} lignes étiquetées.
Une exception se produit quand une colonne d’étiquette dans le jeu de données {nom_jeu_de_données} est manquante ou a moins de {nombre_de_lignes_requises} lignes étiquetées.

Erreur 0138

Mémoire insuffisante, ce qui empêche l’exécution complète du composant. Le sous-échantillonnage du jeu de données peut aider à atténuer le problème.

Cette erreur se produit lorsque le composant en cours d’exécution nécessite plus de mémoire que la mémoire disponible dans le conteneur Azure. Cela peut se produire si vous travaillez avec un jeu de données volumineux et que l’opération en cours ne peut pas tenir en mémoire.

Résolution : Si vous essayez de lire un jeu de données volumineux et que l’opération n’aboutit pas, vous pouvez recourir au sous-échantillonnage du jeu de données pour y remédier.

Messages d’exception
Mémoire insuffisante, ce qui empêche l’exécution complète du composant.
Mémoire insuffisante, ce qui empêche l’exécution complète du composant. Détails : {détails}

Erreur 0141

Une exception se produit si le nombre de colonnes numériques sélectionnées est trop faible et si les valeurs uniques dans les colonnes catégorielles et de chaînes sont trop petites.

Cette erreur se produit dans Azure Machine Learning lorsque la colonne sélectionnée ne possède pas assez de valeurs uniques pour effectuer l’opération.

Résolution : Certaines opérations effectuent des opérations statistiques sur les colonnes de fonctionnalités et de catégories, et si le nombre de valeurs est insuffisant, l’opération peut échouer ou retourner un résultat non valide. Vérifiez votre ensemble de données pour compter les valeurs dans les colonnes de fonctionnalités et d’étiquette et déterminez si l’opération que vous essayez d’effectuer est statistiquement valide.

Si le jeu de données source est valide, vous pouvez également vérifier si une opération de métadonnées ou de manipulation de données en amont a modifié les données et supprimé certaines valeurs.

Si les opérations en amont incluent un fractionnement, un échantillonnage ou un rééchantillonnage, vérifiez que le résultat contient le nombre attendu de lignes et de valeurs.

Messages d’exception
Le nombre de colonnes numériques sélectionnées est trop faible et les valeurs uniques dans les colonnes catégorielles et de chaînes sont trop petites.
Le nombre total de colonnes numériques sélectionnées et les valeurs uniques dans les colonnes catégorielles et de chaînes (actuellement {actual_num}) doivent être au moins égaux à {lower_boundary}.

Erreur 0154

Une exception se produit quand l’utilisateur tente de joindre des données sur des colonnes clés avec un type de colonne incompatible.

Messages d’exception
Les types d’éléments de colonne clé ne sont pas compatibles.
Les types d’éléments de colonne clé ne sont pas compatibles. (à gauche : {clés_gauche} ; à droite : {clés_droite})

Erreur 0155

Une exception se produit quand les noms de colonnes du jeu de données ne sont pas des chaînes.

Messages d’exception
Le nom de colonne dataframe doit être de type chaîne. Les noms de colonnes ne sont pas des chaînes.
Le nom de colonne dataframe doit être de type chaîne. Les noms de colonnes {noms_colonnes} ne sont pas des chaînes.

Erreur 0156

Une exception se produit en cas d’échec de lecture des données à partir d’Azure SQL Database.

Messages d’exception
Échec de lecture des données à partir d’Azure SQL Database.
Échec de lecture des données à partir d’Azure SQL Database : {message_détaillé} DB : {nom_serveur_base_de_données}:{nom_base_de_données} Requête : {instruction_sql}

Erreur 0157

Magasin de données introuvable.

Messages d’exception
Les informations du magasin de données ne sont pas valides.
Les informations du magasin de données ne sont pas valides. Impossible d’obtenir le magasin de données Azure Machine Learning « {nom_magasin_de_données} » dans l’espace de travail « {nom_espace_de_travail} ».

Erreur 0158

Générée lorsque un répertoire de transformation n’est pas valide.

Messages d’exception
Le répertoire de transformation donné n’est pas valide.
L’élément « {nom_argument} » TransformationDirectory n’est pas valide. Raison : « {raison} ». Veuillez réexécuter l’expérience de formation qui génère le fichier de transformation. Si l’expérience de formation a été supprimée, recréez et enregistrez le fichier de transformation.
L’élément « {nom_argument} » TransformationDirectory n’est pas valide. Raison : « {raison} ». {conseil_dépannage}

Erreur 0159

Une exception se produit si le répertoire du modèle du composant n’est pas valide.

Messages d’exception
L’élément ModelDirectory indiqué n’est pas valide.
L’élément ModelDirectory « {arg_name} » n’est pas valide.
L’élément ModelDirectory « {arg_name} » n’est pas valide. Raison : « {raison} ».
L’élément ModelDirectory « {arg_name} » n’est pas valide. Raison : « {raison} ». {conseil_dépannage}

Erreur 1000

Exception de la bibliothèque interne.

Cette erreur est fournie pour capturer les erreurs internes du moteur qui n’auraient pas été gérées autrement. Par conséquent, la cause de cette erreur peut être différente selon le composant qui a généré l’erreur.

Pour obtenir plus d’aide, nous vous recommandons de publier le message détaillé qui accompagne l’erreur sur le forum Azure Machine Learning, en indiquant une description du scénario, y compris les données utilisées comme entrées. Ces commentaires nous aideront à hiérarchiser les erreurs et à identifier les problèmes les plus importants qui feront l’objet de travaux ultérieurs.

Messages d’exception
Exception de la bibliothèque.
Exception de bibliothèque : {exception}.
Exception de bibliothèque inconnue : {exception}. {customer_support_guidance}.

Composant Exécuter le script Python

Recherchez in azureml_main dans 70_driver_logs du composant Exécuter le script Python pour trouver la ligne où l’erreur s’est produite. Par exemple, "File "/tmp/tmp01_ID/user_script.py", line 17, in azureml_main" indique que l’erreur s’est produite dans la ligne 17 de votre script Python.

Entraînement distribué

Actuellement, le concepteur prend en charge la formation distribuée pour le composant Entraîner un modèle Pytorch.

Si l’apprentissage distribué activé pour le composant échoue sans aucun journal 70_driver, vous pouvez consulter les détails de l’erreur dans 70_mpi_log.

L’exemple suivant montre que le Nombre de nœuds des paramètres d’exécution est supérieur au nombre de nœuds disponibles du cluster de calcul.

L’exemple suivant montre que le Nombre de processus par nœud est supérieur à l’Unité de traitement du calcul.

Sinon, vous pouvez vérifier 70_driver_log pour chaque processus. 70_driver_log_0 est le processus principal.