Pengecualian dan kode galat untuk perancang

Artikel
04/04/2023

Artikel ini menjelaskan pesan kesalahan dan kode pengecualian di perancang Azure Machine Learning untuk membantu Anda memecahkan masalah alur pembelajaran mesin Anda.

Anda dapat menemukan pesan kesalahan di perancang dengan mengikuti langkah-langkah berikut:

Pilih komponen yang gagal, buka tab Outputs+logs, Anda dapat menemukan detail log di file 70_driver_log.txt di bawah kategori azureml-logs.
Untuk kesalahan komponen yang mendetail, Anda dapat memeriksanya di error_info.json di bawah kategori module_statistics.

Berikut ini adalah kode galat komponen pada perancang.

Kesalahan 0001

Pengecualian terjadi jika satu atau beberapa kolom himpunan data tertentu tidak dapat ditemukan.

Anda akan menerima kesalahan ini jika pilihan kolom dibuat untuk komponen, tetapi kolom yang dipilih tidak ada dalam himpunan data input. Kesalahan ini dapat terjadi jika Anda telah mengetikkan nama kolom secara manual atau jika pemilih kolom telah menyediakan kolom yang disarankan yang tidak ada di himpunan data Anda saat Anda menjalankan alur.

Resolusi: Buka kembali komponen yang menampilkan pengecualian ini dan validasikan bahwa nama atau nama kolom sudah benar dan semua kolom yang direferensikan benar-benar ada.

Pesan pengecualian
Satu atau beberapa kolom yang ditentukan tidak ditemukan.
Kolom dengan nama atau indeks "{column_id}" tidak ditemukan.
Kolom dengan nama atau indeks "{column_id}" tidak ada di "{arg_name_missing_column}".
Kolom dengan nama atau indeks "{column_id}" tidak ada di "{arg_name_missing_column}", tetapi ada di "{arg_name_has_column}".
Kolom dengan nama atau indeks "{column_names}" tidak ditemukan.
Kolom dengan nama atau indeks "{column_names}" tidak ada di "{arg_name_missing_column}".
Kolom dengan nama atau indeks "{column_names}" tidak ada di "{arg_name_missing_column}", tetapi ada di "{arg_name_has_column}".

Kesalahan 0002

Pengecualian terjadi jika satu atau beberapa parameter tidak dapat diurai atau dikonversi dari jenis yang ditentukan menjadi diperlukan oleh jenis metode target.

Kesalahan ini terjadi di Azure Machine Learning ketika Anda menentukan parameter sebagai input dan jenis nilai berbeda dari jenis yang diharapkan, dan konversi implisit tidak dapat dilakukan.

Resolusi: Periksa persyaratan komponen dan tentukan jenis nilai yang diperlukan (string, bilangan bulat, ganda, dll.)

Pesan pengecualian
Gagal mengurai parameter.
Gagal mengurai parameter "{arg_name_or_column}".
Gagal mengonversi parameter "{arg_name_or_column}" menjadi "{to_type}".
Gagal mengonversi parameter "{arg_name_or_column}" menjadi "{from_type}" ke "{to_type}".
Gagal mengonversi parameter "{arg_name_or_column}" nilai "{arg_value}" dari "{from_type}" ke "{to_type}".
Gagal mengonversi nilai "{arg_value}" di kolom "{arg_name_or_column}" dari "{from_type}" menjadi "{to_type}" dengan penggunaan format "{fmt}" yang disediakan.

Kesalahan 0003

Pengecualian terjadi jika satu atau beberapa input null atau kosong.

Anda akan menerima kesalahan ini di Azure Machine Learning jika ada input atau parameter ke komponen yang null atau kosong. Kesalahan ini mungkin terjadi, misalnya, ketika Anda tidak mengetikkan nilai apa pun untuk parameter. Ini juga bisa terjadi jika Anda memilih himpunan data yang memiliki nilai hilang, atau himpunan data kosong.

Resolusi:

Buka komponen yang menghasilkan pengecualian dan verifikasi bahwa semua input telah ditentukan. Pastikan bahwa semua input yang diperlukan ditentukan.
Pastikan bahwa data yang dimuat dari penyimpanan Azure dapat diakses, dan nama akun atau kunci tidak berubah.
Periksa data input untuk nilai yang hilang, atau null.
Jika menggunakan kueri pada sumber data, verifikasi bahwa data sedang dikembalikan dalam format yang Anda harapkan.
Periksa kesalahan ketik atau perubahan lain dalam spesifikasi data.

Pesan pengecualian
Satu atau beberapa input null atau kosong.
Nama "{name}" null atau kosong.

Kesalahan 0004

Pengecualian terjadi jika parameter kurang dari atau sama dengan nilai tertentu.

Anda akan menerima kesalahan ini di Azure Machine Learning jika parameter dalam pesan di bawah nilai batas yang diperlukan untuk komponen guna memproses data.

Resolusi: Buka kembali komponen yang menampilkan pengecualian dan ubah parameter menjadi lebih besar dari nilai yang ditentukan.

Pesan pengecualian
Parameter harus lebih besar dari nilai batas.
Parameter nilai "{arg_name}" harus lebih besar dari {lower_boundary}.
Parameter "{arg_name}" memiliki nilai "{actual_value}" yang seharusnya lebih besar dari {lower_boundary}.

Kesalahan 0005

Pengecualian terjadi jika parameter kurang dari nilai tertentu.

Anda akan menerima kesalahan ini di Azure Machine Learning jika parameter dalam pesan di bawah atau sama dengan nilai batas yang diperlukan komponen untuk memproses data.

Resolusi: Buka kembali komponen yang menampilkan pengecualian dan ubah parameter menjadi lebih besar dari atau sama dengan nilai yang ditentukan.

Pesan pengecualian
Parameter harus lebih dari atau sama dengan nilai batas.
Parameter nilai "{arg_name}" harus lebih besar dari atau sama dengan {lower_boundary}.
Parameter "{arg_name}" memiliki nilai "{value}" yang seharusnya lebih besar dari atau sama dengan {lower_boundary}.

Kesalahan 0006

Pengecualian terjadi jika parameter lebih besar dari atau sama dengan nilai yang ditentukan.

Anda akan menerima kesalahan ini di Azure Machine Learning jika parameter dalam pesan lebih besar dari atau sama dengan nilai batas yang diperlukan untuk komponen guna memproses data.

Resolusi: Buka kembali komponen yang menampilkan pengecualian dan ubah parameter menjadi kurang dari nilai yang ditentukan.

Pesan pengecualian
Parameter tidak cocok. Salah satu parameter harus kurang dari yang lain.
Parameter nilai "{arg_name}" harus kurang dari parameter nilai "{upper_boundary_parameter_name}".
Parameter "{arg_name}" memiliki nilai "{value}" yang seharusnya kurang dari {upper_boundary_parameter_name}.

Kesalahan 0007

Pengecualian terjadi jika parameter lebih besar dari nilai tertentu.

Anda akan menerima kesalahan ini di Azure Machine Learning jika, di properti untuk komponen, Anda menetapkan nilai yang lebih besar dari yang diperbolehkan. Misalnya, Anda mungkin menentukan data yang berada di luar rentang tanggal yang didukung, atau Anda mungkin mengindikasikan bahwa lima kolom digunakan saat hanya tiga kolom yang tersedia.

Anda mungkin juga melihat kesalahan ini jika Anda menentukan dua set data yang perlu dicocokkan dalam beberapa cara. Misalnya, jika Anda mengganti nama kolom, dan menentukan kolom menurut indeks, jumlah nama yang Anda cantumkan harus cocok dengan jumlah indeks kolom. Contoh lain mungkin adalah operasi matematika yang menggunakan dua kolom, di mana kolom harus memiliki jumlah baris yang sama.

Resolusi:

Buka komponen yang dimaksud dan tinjau pengaturan properti numerik apa pun.
Pastikan bahwa setiap nilai parameter termasuk dalam rentang nilai yang didukung untuk properti tersebut.
Jika komponen menggunakan banyak input, pastikan bahwa input memiliki ukuran yang sama.

Periksa apakah himpunan data atau sumber data telah berubah. Terkadang nilai yang bekerja dengan versi data sebelumnya akan gagal setelah jumlah kolom, jenis data kolom, atau ukuran data telah berubah.

Pesan pengecualian
Parameter tidak cocok. Salah satu parameter harus kurang dari atau sama dengan yang lain.
Parameter nilai "{arg_name}" harus kurang dari atau sama dengan parameter nilai "{upper_boundary_parameter_name}".
Parameter "{arg_name}" memiliki nilai "{actual_value}" yang seharusnya kurang dari atau sama dengan {upper_boundary}.
Parameter "{arg_name}" nilai {actual value} harus kurang dari atau sama dengan parameter "{upper_boundary_parameter_name}" nilai {upper_boundary}.
Parameter "{arg_name}" nilai {actual value} harus kurang dari atau sama dengan {upper_boundary_meaning} nilai {upper_boundary}.

Kesalahan 0008

Pengecualian terjadi jika parameter tidak dalam jangkauan.

Anda akan menerima kesalahan ini di Azure Machine Learning jika parameter dalam pesan berada di luar batas yang diperlukan komponen untuk memproses data.

Misalnya, kesalahan ini ditampilkan jika Anda mencoba menggunakan Tambahkan Baris untuk menggabungkan dua himpunan data yang memiliki jumlah kolom yang berbeda.

Resolusi: Buka kembali komponen yang menampilkan pengecualian dan ubah parameter agar berada dalam rentang yang ditentukan.

Pesan pengecualian
Nilai parameter tidak berada dalam rentang yang ditentukan.
Parameter nilai "{arg_name}" tidak dalam rentang.
Parameter nilai "{arg_name}" harus dalam rentang [{lower_boundary}, {upper_boundary}].
Parameter nilai "{arg_name}" tidak dalam rentang. {reason}

Kesalahan 0009

Pengecualian terjadi ketika nama akun penyimpanan Azure atau nama kontainer ditentukan dengan tidak benar.

Kesalahan ini terjadi pada perancang Azure Machine Learning saat Anda menentukan parameter untuk akun penyimpanan Azure, tetapi nama atau kata sandi tidak dapat dipecahkan. Kesalahan pada kata sandi atau nama akun dapat terjadi karena berbagai alasan:

Akun tersebut adalah jenis yang salah. Beberapa jenis akun baru tidak didukung untuk digunakan dengan perancang Azure Machine Learning. Lihat Impor Data untuk detailnya.
Anda memasukkan nama akun yang salah
Akun tidak ada lagi
Kata sandi untuk akun penyimpanan salah atau telah berubah
Anda tidak menentukan nama kontainer, atau kontainer tidak ada
Anda tidak sepenuhnya menentukan jalur file (jalur ke blob)

Resolusi:

Masalah seperti itu sering terjadi ketika Anda mencoba memasukkan nama akun, kata sandi, atau jalur kontainer secara manual. Sebaiknya gunakan wizard baru untuk komponen Impor Data, yang membantu Anda mencari dan memeriksa nama.

Periksa juga apakah akun, kontainer, atau blob telah dihapus. Gunakan utilitas penyimpanan Azure lain untuk memverifikasi bahwa nama akun dan kata sandi telah dimasukkan dengan benar, dan bahwa kontainer itu ada.

Beberapa jenis akun yang lebih baru tidak didukung oleh Azure Machine Learning. Misalnya, jenis penyimpanan "panas" atau "dingin" baru tidak dapat digunakan untuk pembelajaran mesin. Kedua akun penyimpanan klasik dan akun penyimpanan yang dibuat sebagai "Tujuan umum" berfungsi dengan baik.

Jika jalur lengkap ke blob ditentukan, verifikasi bahwa jalur ditentukan sebagai kontainer/nama blob, dan bahwa kedua kontainer dan blob ada di akun.

Jalur seharusnya tidak berisi garis miring di depannya. Misalnya /kontainer/blob tidak benar dan harus dimasukkan sebagai kontainer/blob.

Pesan pengecualian
Nama akun penyimpanan Azure atau nama kontainer salah.
Nama akun penyimpanan Azure "{account_name}" atau nama kontainer "{container_name}" salah; nama kontainer dari format kontainer/blob diharapkan.

Kesalahan 0010

Pengecualian terjadi jika himpunan data input memiliki nama kolom yang seharusnya cocok tetapi tidak cocok.

Anda akan menerima kesalahan ini di Azure Machine Learning jika indeks kolom dalam pesan memiliki nama kolom yang berbeda dalam dua himpunan data input.

Resolusi: Gunakan Edit Metadata atau ubah himpunan data asli untuk memiliki nama kolom yang sama untuk indeks kolom yang ditentukan.

Pesan pengecualian
Kolom dengan indeks terkait dalam himpunan data input memiliki nama yang berbeda.
Nama kolom tidak sama untuk kolom {col_index} (berbasis nol) dari himpunan data input ({dataset1} dan {dataset2} berturut-turut).

Kesalahan 0011

Pengecualian terjadi jika argumen kumpulan kolom yang dilewatkan tidak berlaku untuk kolom himpunan data mana pun.

Anda akan menerima kesalahan ini di Azure Machine Learning jika pilihan kolom yang ditentukan tidak cocok dengan kolom apa pun dalam himpunan data yang diberikan.

Anda juga bisa mendapatkan kesalahan ini jika belum memilih kolom dan setidaknya satu kolom diperlukan agar komponen berfungsi.

Resolusi: Ubah pemilihan kolom di komponen sehingga akan diterapkan ke kolom di himpunan data.

Jika komponen mengharuskan Anda memilih kolom tertentu, seperti kolom label, verifikasi bahwa kolom di bagian kanan dipilih.

Jika kolom yang tidak pantas dipilih, hapus dan jalankan ulang alur.

Pesan pengecualian
Kumpulan kolom yang ditentukan tidak berlaku untuk kolom himpunan data apa pun.
Kumpulan kolom "{column_set}" yang ditentukan tidak berlaku untuk kolom himpunan data apa pun.

Kesalahan 0012

Pengecualian terjadi jika instans kelas tidak dapat dibuat dengan set argumen yang dilewatkan.

Resolusi: Kesalahan ini tidak dapat diambil tindakan oleh pengguna dan tidak akan digunakan lagi dalam rilis mendatang.

Pesan pengecualian
Model yang tidak terlatih, silakan latih model terlebih dahulu.
Model tidak terlatih ({arg_name}), gunakan model terlatih.

Kesalahan 0013

Pengecualian terjadi jika pelajar yang diteruskan ke komponen adalah jenis yang tidak valid.

Kesalahan ini terjadi setiap kali model terlatih tidak kompatibel dengan komponen penilaian yang terhubung.

Resolusi:

Menentukan jenis pelajar yang dihasilkan oleh komponen pelatihan, dan menentukan komponen penilaian yang sesuai untuk pelajar.

Jika model dilatih menggunakan salah satu komponen pelatihan khusus, hubungkan model yang dilatih hanya ke komponen penilaian khusus yang sesuai.

Jenis model	Komponen pelatihan	Komponen penilaian
setiap penggolong	Model Latihan	Model Penilaian
setiap model regresi	Model Latihan	Model Penilaian

Pesan pengecualian
Pelajar dengan tipe tidak valid dilewatkan.
Pelajar "{arg_name}" memiliki tipe yang tidak valid.
Pelajar "{arg_name}" memiliki jenis "{learner_type}" yang tidak valid.
Pelajar dengan tipe tidak valid dilewatkan. Pesan pengecualian: {exception_message}

Kesalahan 0014

Pengecualian terjadi jika hitungan nilai unik kolom lebih besar dari yang diizinkan.

Kesalahan ini terjadi saat kolom berisi terlalu banyak nilai unik, seperti kolom ID atau kolom teks. Anda mungkin melihat kesalahan ini jika Anda menentukan bahwa kolom dihandel sebagai data kategoris, tetapi ada terlalu banyak nilai unik di kolom untuk memungkinkan pemrosesan untuk selesai. Anda mungkin juga melihat kesalahan ini jika ada ketidakcocokan antara jumlah nilai unik dalam dua input.

Kesalahan nilai unik lebih besar dari yang diizinkan akan terjadi jika memenuhi kedua kondisi berikut:

Lebih dari 97% instans dari satu kolom adalah nilai unik, yang berarti hampir semua kategori berbeda satu sama lain.
Satu kolom memiliki lebih dari 1000 nilai unik.

Resolusi:

Buka komponen yang menghasilkan kesalahan, dan identifikasi kolom yang digunakan sebagai input. Untuk beberapa komponen, Anda dapat mengeklik kanan input himpunan data dan memilih Visualisasikan guna mendapatkan statistik pada masing-masing kolom, termasuk jumlah nilai unik dan distribusinya.

Untuk kolom yang ingin Anda gunakan untuk pengelompokan atau kategorisasi, lakukan langkah-langkah untuk mengurangi jumlah nilai unik dalam kolom. Anda dapat mengurangi dengan cara yang berbeda, bergantung pada jenis data kolom.

Untuk kolom ID yang bukan fitur yang bermakna selama pelatihan model, Anda dapat menggunakan Edit Metadata untuk menandai kolom tersebut sebagai fitur Hapus dan tidak akan digunakan selama pelatihan model.

Untuk kolom teks, Anda dapat menggunakan Fitur Hash atau Ekstrak Fitur N-Gram dari komponen Teks guna memproses kolom teks terlebih dahulu.

Tip

Tak bisa menemukan resolusi yang cocok dengan skenario Anda? Anda dapat memberikan umpan balik tentang topik ini yang menyertakan nama komponen yang menghasilkan kesalahan, dan jenis data serta kardinalitas kolom. Kami akan menggunakan informasi tersebut untuk memberikan langkah-langkah pemecahan masalah yang lebih tepat sasaran untuk skenario umum.

Pesan pengecualian
Jumlah nilai unik kolom lebih besar dari yang diperbolehkan.
Jumlah nilai unik dalam kolom: "{column_name}" lebih besar dari yang diperbolehkan.
Jumlah nilai unik dalam kolom: "{column_name}" melebihi jumlah {limitation} tupel.

Kesalahan 0015

Pengecualian terjadi jika koneksi database gagal.

Anda akan menerima kesalahan ini jika Anda memasukkan nama akun SQL yang salah, kata sandi, server database, atau nama database, atau jika sambungan dengan database tidak dapat dibuat karena masalah dengan database atau server.

Resolusi: Verifikasi bahwa nama akun, kata sandi, server database, dan database telah dimasukkan dengan benar, dan bahwa akun yang ditentukan memiliki tingkat izin yang benar. Verifikasi bahwa database saat ini dapat diakses.

Pesan pengecualian
Kesalahan membuat koneksi database.
Kesalahan membuat koneksi database: {connection_str}.

Kesalahan 0016

Pengecualian terjadi jika himpunan data input yang diteruskan ke komponen harus memiliki jenis kolom yang kompatibel tetapi himpunan data tidak memilikinya.

Anda akan menerima kesalahan ini di Azure Machine Learning jika jenis kolom yang dilewatkan dalam dua himpunan data atau lebih tidak kompatibel satu sama lain.

Resolusi: Gunakan Edit Metadata atau ubah himpunan data input asli untuk memastikan bahwa jenis kolom kompatibel.

Pesan pengecualian
Kolom dengan indeks terkait dalam himpunan data input memang memiliki jenis yang tidak kompatibel.
Kolom '{first_col_names}' tidak kompatibel antara data latihan dan pengujian.
Kolom '{first_col_names}' dan '{second_col_names}' tidak kompatibel.
Jenis elemen kolom tidak kompatibel untuk kolom '{first_col_names}' himpunan data input (berbasis nol) ({first_dataset_names} dan {second_dataset_names} secara berurutan).

Kesalahan 0017

Pengecualian terjadi jika kolom yang dipilih menggunakan jenis data yang tidak didukung oleh komponen saat ini.

Misalnya, Anda mungkin menerima kesalahan ini dalam Azure Machine Learning jika pilihan kolom menyertakan kolom dengan jenis data yang tidak dapat diproses oleh komponen, seperti kolom string untuk operasi matematika, atau kolom skor tempat kolom fitur kategoris diperlukan.

Resolusi:

Identifikasi kolom yang menjadi masalah.
Tinjau persyaratan komponen.
Ubah kolom agar sesuai dengan persyaratan. Anda mungkin perlu menggunakan beberapa komponen berikut untuk membuat perubahan, tergantung pada kolom dan konversi yang Anda coba:
- Gunakan Edit Metadata untuk mengubah jenis data kolom, atau untuk mengubah penggunaan kolom dari fitur menjadi numerik, kategoris menjadi non-kategoris, dan sebagainya.

Sebagai upaya terakhir, Anda mungkin perlu memodifikasi himpunan data input asli.

Tip

Pesan pengecualian
Tak bisa memproses kolom dari jenis saat ini. Jenis tidak didukung oleh komponen.
Tidak dapat memproses kolom jenis {col_type}. Jenis tidak didukung oleh komponen.
Tidak dapat memproses kolom jenis "{col_name}" dari jenis {col_type}. Jenis tidak didukung oleh komponen.
Tidak dapat memproses kolom jenis "{col_name}" dari jenis {col_type}. Jenis tidak didukung oleh komponen. Nama parameter: {arg_name}.

Kesalahan 0018

Pengecualian terjadi jika input himpunan data tidak valid.

Resolusi: Kesalahan dalam Azure Machine Learning ini dapat muncul dalam banyak konteks, sehingga tidak ada satu pun resolusi. Secara umum, kesalahan menunjukkan bahwa data yang diberikan sebagai input ke komponen memiliki jumlah kolom yang salah, atau jenis data tidak sesuai dengan persyaratan komponen. Misalnya:

Komponen memerlukan kolom label, tetapi tidak ada kolom yang ditandai sebagai label, atau Anda belum memilih kolom label.
Komponen mengharuskan data bersifat kategoris tetapi data Anda numerik.

Data dalam format yang salah.
Data yang diimpor berisi karakter yang tidak valid, nilai buruk, atau nilai di luar rentang.
Kolom kosong atau berisi terlalu banyak nilai yang hilang.

Untuk menentukan persyaratan dan cara data Anda meninjau topik bantuan untuk komponen yang akan menggunakan himpunan data sebagai masukan.

Pesan pengecualian
Himpunan data tidak valid.
{dataset1} berisi data yang tidak valid.
{dataset1} dan {dataset2} harus konsisten secara kolom.
{dataset1} berisi data yang tidak valid, {reason}.
{dataset1} berisi {invalid_data_category}. {troubleshoot_hint}
{dataset1} tidak valid, {reason}. {troubleshoot_hint}

Kesalahan 0019

Pengecualian terjadi jika kolom diharapkan berisi nilai yang diurutkan, tetapi tidak.

Anda akan menerima kesalahan ini di Azure Machine Learning jika nilai kolom yang ditentukan rusak.

Resolusi: Urutkan nilai kolom dengan mengubah himpunan data input secara manual dan menjalankan kembali komponen.

Pesan pengecualian
Nilai dalam kolom tidak diurutkan.
Nilai di kolom "{col_index}" tidak diurutkan.
Nilai dalam kolom "{col_index}" dari himpunan data "{dataset}" tidak diurutkan.
Nilai dalam argumen "{arg_name}" tidak diurutkan dalam urutan "{sorting_order}".

Kesalahan 0020

Pengecualian terjadi jika jumlah kolom di beberapa himpunan data yang diteruskan ke komponen terlalu kecil.

Anda akan menerima kesalahan ini di Azure Machine Learning jika tidak cukup kolom yang dipilih untuk komponen.

Resolusi: Buka kembali komponen dan pastikan bahwa pemilih kolom memiliki jumlah kolom yang dipilih dengan benar.

Pesan pengecualian
Jumlah kolom dalam himpunan data input kurang dari minimum yang diperbolehkan.
Jumlah kolom dalam himpunan data input "{arg_name}" kurang dari minimum yang diperbolehkan.
Jumlah kolom dalam himpunan data input kurang dari kolom minimum {required_columns_count} yang diperbolehkan.
Jumlah kolom dalam himpunan data input "{arg_name}" kurang dari kolom minimum {required_columns_count} yang diperbolehkan.

Kesalahan 0021

Pengecualian terjadi jika jumlah baris di beberapa himpunan data yang diteruskan ke komponen terlalu kecil.

Kesalahan ini terlihat di Azure Machine Learning ketika tidak ada cukup baris dalam himpunan data untuk melakukan operasi yang ditentukan. Misalnya, Anda mungkin melihat kesalahan ini jika himpunan data input kosong, atau jika Anda mencoba melakukan operasi yang memerlukan beberapa jumlah baris minimum agar valid. Operasi tersebut dapat mencakup (tetapi tidak terbatas pada) pengelompokan atau klasifikasi berdasarkan metode statistik, jenis binning tertentu, dan pembelajaran dengan hitungan.

Resolusi:

Buka komponen yang menampilkan kesalahan, dan periksa himpunan data input dan properti komponen.
Pastikan bahwa himpunan data input tidak kosong dan ada cukup baris data untuk memenuhi persyaratan yang dijelaskan dalam bantuan komponen.
Jika data Anda dimuat dari sumber eksternal, pastikan sumber data tersedia dan tidak ada kesalahan atau perubahan definisi data yang akan menyebabkan proses impor mendapatkan lebih sedikit baris.
Jika Anda melakukan operasi pada data upstream komponen yang mungkin memengaruhi jenis data atau jumlah nilai, seperti operasi pembersihan, pemisahan, atau penggabungan, periksa output operasi ini untuk menentukan jumlah baris yang ditampilkan.

Pesan pengecualian
Jumlah kolom dalam himpunan data input kurang dari minimum yang diperbolehkan.
Jumlah baris dalam himpunan data input kurang dari minimum baris {required_rows_count} yang diperbolehkan.
Jumlah baris dalam himpunan data input kurang dari minimum baris {required_rows_count} yang diperbolehkan. {reason}
Jumlah baris dalam himpunan data input "{arg_name}" kurang dari minimum baris {required_rows_count} yang diperbolehkan.
Jumlah baris dalam himpunan data input "{arg_name}" adalah {actual_rows_count}, kurang dari minimum baris {required_rows_count} yang diperbolehkan.
Jumlah baris "{row_type}" dalam himpunan data input "{arg_name}" adalah {actual_rows_count}, kurang dari minimum baris {required_rows_count} yang diperbolehkan.

Kesalahan 0022

Pengecualian terjadi jika jumlah kolom yang dipilih dalam himpunan data input tidak sama dengan angka yang diharapkan.

Kesalahan dalam Azure Machine Learning ini dapat terjadi saat komponen atau operasi hilir memerlukan sejumlah kolom atau input tertentu, dan Anda telah memberikan terlalu sedikit atau terlalu banyak kolom atau input. Misalnya:

Anda menentukan kolom label tunggal atau kolom kunci dan secara tidak sengaja memilih beberapa kolom.
Anda mengganti nama kolom, tetapi memberikan lebih banyak atau lebih sedikit nama daripada kolom.
Jumlah kolom di sumber atau tujuan telah berubah atau tidak cocok dengan jumlah kolom yang digunakan oleh komponen.
Anda telah menyediakan daftar nilai yang dipisahkan koma untuk input, tetapi jumlah nilai tersebut tidak cocok, atau beberapa input tidak didukung.

Resolusi: Buka kembali komponen dan periksa pemilihan kolom untuk memastikan bahwa jumlah kolom yang dipilih benar. Verifikasi output komponen upstram, dan persyaratan operasi hilir.

Jika Anda menggunakan salah satu opsi pemilihan kolom yang bisa memilih beberapa kolom (indeks kolom, semua fitur, semua numerik, dan lain-lain), validasi jumlah kolom yang tepat yang dikembalikan oleh pilihan.

Verifikasi bahwa angka atau jenis kolom upstram tidak berubah.

Jika Anda menggunakan himpunan data rekomendasi untuk melatih model, ingatlah bahwa pemberi rekomendasi mengharapkan jumlah kolom yang terbatas, sesuai dengan pasangan item pengguna atau peringkat item pengguna. Hapus kolom tambahan sebelum melatih model atau memisahkan himpunan data rekomendasi. Untuk informasi selengkapnya, lihat Pisahkan Data.

Pesan pengecualian
Jumlah kolom yang dipilih dalam himpunan data input tidak sama dengan jumlah yang diharapkan.
Jumlah kolom yang dipilih dalam himpunan data input tidak sama dengan {expected_col_count}.
Pola pemilihan kolom "{selection_pattern_friendly_name}" menyediakan jumlah kolom yang dipilih dalam himpunan data input yang tidak sama dengan {expected_col_count}.
Pola pemilihan kolom "{selection_pattern_friendly_name}" diharapkan menyediakan kolom {expected_col_count} yang dipilih dalam himpunan data input, tetapi kolom {selected_col_count} benar-benar tersedia.

Kesalahan 0023

Pengecualian terjadi jika kolom target himpunan data input tidak valid untuk komponen pelatih saat ini.

Kesalahan dalam Azure Machine Learning ini terjadi jika kolom target (seperti yang dipilih dalam parameter komponen) bukan jenis data yang valid, berisi semua nilai yang hilang, atau tidak kategoris seperti yang diharapkan.

Resolusi: Buka kembali input komponen untuk memeriksa konten kolom label/target. Pastikan tidak memiliki semua nilai yang hilang. Jika komponen mengharapkan kolom target bersifat kategoris, pastikan ada lebih dari satu nilai berbeda di kolom target.

Pesan pengecualian
Himpunan data input memiliki kolom target yang tidak didukung.
Himpunan data input memiliki kolom target "{column_index}" yang tidak didukung.
Himpunan data input memiliki kolom target "{column_index}" yang tidak didukung untuk pelajar jenis {learner_type}.

Kesalahan 0024

Pengecualian terjadi jika himpunan data tidak berisi kolom label.

Kesalahan dalam Azure Machine Learning ini terjadi saat komponen memerlukan kolom label dan himpunan data tidak memiliki kolom label. Misalnya, evaluasi himpunan data yang diberi skor biasanya mengharuskan kolom label hadir untuk komputasi metrik akurasi.

Bisa juga terjadi bahwa kolom label ada di himpunan data, tetapi tidak terdeteksi dengan benar oleh Azure Machine Learning.

Resolusi:

Buka komponen yang menghasilkan kesalahan, dan tentukan apakah ada kolom label. Nama atau jenis data kolom tidak menjadi masalah, selama kolom berisi satu hasil (atau variabel dependen) yang coba Anda prediksi. Jika Anda tidak yakin kolom mana yang memiliki label, cari nama generik seperti Kelas atau Target.
Jika himpunan data tidak menyertakan kolom label, ada kemungkinan kolom label dihapus secara eksplisit atau tidak sengaja di upstram. Bisa jadi himpunan data tersebut bukan merupakan output dari komponen penilaian upstream.
Untuk secara eksplisit menandai kolom sebagai kolom label, tambahkan komponen Edit Metadata dan hubungkan himpunan data. Pilih hanya kolom label, dan pilih Label dari daftar turun Bidang.
Jika kolom yang salah dipilih sebagai label, Anda bisa memilihHapus label dari Bidang untuk memperbaiki metadata pada kolom.

Pesan pengecualian
Tidak ada kolom label dalam himpunan data.
Tidak ada kolom label dalam "{dataset_name}".

Kesalahan 0025

Pengecualian terjadi jika himpunan data tidak berisi kolom skor.

Kesalahan dalam Azure Machine Learning ini terjadi jika input ke model evaluasi tidak berisi kolom skor yang valid. Misalnya, pengguna mencoba mengevaluasi himpunan data sebelum dicetak dengan model terlatih yang benar, atau kolom skor secara eksplisit dihilangkan upstram. Pengecualian ini juga terjadi jika kolom skor pada dua himpunan data tidak kompatibel. Misalnya, Anda mungkin mencoba membandingkan akurasi regresor linier dengan pengklasifikasi biner.

Resolusi: Lihat kembali input ke model evaluasi dan periksa apakah berisi satu atau beberapa kolom skor. Jika tidak, himpunan data tidak diberi skor atau kolom skor dihilangkan di komponen upstram.

Pesan pengecualian
Tidak ada kolom skor dalam himpunan data.
Tidak ada kolom skor dalam "{dataset_name}".
Tidak ada kolom skor dalam "{dataset_name}" yang dihasilkan oleh "{learner_type}". Cetak himpunan data menggunakan jenis pelajar yang benar.

Kesalahan 0026

Pengecualian terjadi jika kolom dengan nama yang sama tidak diperbolehkan.

Kesalahan dalam Azure Machine Learning ini terjadi jika beberapa kolom memiliki nama yang sama. Salah satu cara Anda mungkin menerima kesalahan ini adalah jika himpunan data tidak memiliki baris header dan nama kolom secara otomatis ditetapkan: Col0, Col1, dan lain-lain.

Resolusi: Jika kolom memiliki nama yang sama, sisipkan komponen Edit Metadata antara himpunan data input dan komponen. Gunakan pemilih kolom di Edit Metadata untuk memilih kolom untuk mengganti nama, mengetikkan nama baru ke dalam kotak teks Nama kolom baru.

Pesan pengecualian
Nama kolom sama ditentukan dalam argumen. Nama kolom yang sama tidak diizinkan oleh komponen.
Nama kolom yang sama dalam argumen "{arg_name_1}" dan "{arg_name_2}" tidak diperbolehkan. Tentukan nama yang berbeda.

Kesalahan 0027

Pengecualian terjadi jika dua objek harus memiliki ukuran yang sama tetapi tidak.

Ini adalah kesalahan umum dalam Azure Machine Learning dan dapat disebabkan oleh banyak kondisi.

Resolusi: Tidak ada resolusi khusus. Namun, Anda dapat memeriksa kondisi seperti berikut ini:

Jika Anda mengganti nama kolom, pastikan bahwa setiap daftar (kolom input dan daftar nama baru) memiliki jumlah item yang sama.
Jika Anda menggabungkan atau menyatukan dua himpunan data, pastikan mereka memiliki skema yang sama.
Jika Anda menggabungkan dua himpunan data yang memiliki beberapa kolom, pastikan bahwa kolom kunci memiliki jenis data yang sama, dan pilih opsi Perbolehkan duplikat dan pertahankan urutan kolom dalam pilihan.

Pesan pengecualian
Ukuran objek yang dilewatkan tidak konsisten.
Ukuran "{friendly_name1}" tidak konsisten dengan ukuran "{friendly_name2}".

Kesalahan 0028

Pengecualian terjadi dalam kasus ketika kumpulan kolom berisi nama kolom yang diduplikasi dan tidak diperbolehkan.

Kesalahan ini di Azure Machine Learning terjadi ketika nama kolom diduplikasi; adalah, tidak unik.

Resolusi: Jika ada kolom yang memiliki nama yang sama, tambahkan instans Edit Metadata antara himpunan data input dan komponen yang memunculkan kesalahan. Gunakan Pemilih Kolom di Edit Metadata untuk memilih kolom untuk mengganti nama, mengetikkan nama baru ke dalam kotak teks Nama kolom baru. Jika Anda mengganti nama beberapa kolom, pastikan nilai yang Anda ketik dalam Nama kolom baru adalah unik.

Pesan pengecualian
Kumpulan kolom berisi nama kolom yang diduplikasi.
Nama "{duplicated_name}" diduplikasi.
Nama "{duplicated_name}" diduplikasi di "{arg_name}".
Nama "{duplicated_name}" diduplikasi. Detail: {details}

Kesalahan 0029

Pengecualian terjadi dalam kasus jika URI tidak valid dilewatkan.

Kesalahan ini di Azure Machine Learning terjadi dalam kasus jika URI tidak valid dilewatkan. Anda akan menerima kesalahan ini jika salah satu kondisi berikut ini benar:

URI Publik atau SAS yang disediakan untuk Azure Blob Storage untuk dibaca atau ditulis berisi kesalahan.
Jendela waktu untuk SAS telah kedaluwarsa.
URL Web melalui sumber HTTP mewakili file atau URI loopback.
URL Web melalui HTTP memuat URL yang salah diformat.
URL tidak dapat diatasi oleh sumber jarak jauh.

Resolusi: Buka kembali komponen dan verifikasi format URI. Jika sumber data adalah URL Web melalui HTTP, verifikasi bahwa sumber yang dimaksud bukan file atau URI loopback (localhost).

Pesan pengecualian
Uri tidak valid dilewatkan.
Uri "{invalid_url}" tidak valid.

Kesalahan 0030

Pengecualian terjadi dalam kasus ketika tidak dimungkinkan untuk mengunduh file.

Pengecualian dalam Azure Machine Learning ini terjadi ketika tidak dimungkinkan untuk mengunduh file. Anda akan menerima pengecualian ini ketika upaya membaca dari sumber HTTP telah gagal setelah tiga (3) kali mencoba kembali.

Resolusi: Verifikasi bahwa URI ke sumber HTTP sudah benar dan situs tersebut saat ini dapat diakses melalui internet.

Pesan pengecualian
Tidak dapat mengunduh file.
Kesalahan saat mengunduh file: {file_url}.

Kesalahan 0031

Pengecualian terjadi jika jumlah kolom dalam kumpulan kolom kurang dari yang diperlukan.

Kesalahan dalam Azure Machine Learning ini terjadi jika jumlah kolom yang dipilih kurang dari yang diperlukan. Anda akan menerima kesalahan ini jika jumlah kolom minimum yang diperlukan tidak dipilih.

Resolusi: Tambahkan kolom tambahan ke pilihan kolom dengan menggunakan Pemilih Kolom.

Pesan pengecualian
Jumlah kolom dalam kumpulan kolom kurang dari yang diperlukan.
Setidaknya kolom {required_columns_count} harus ditentukan untuk argumen input "{arg_name}".
Setidaknya kolom {required_columns_count} harus ditentukan untuk argumen input "{arg_name}". Jumlah aktual kolom yang ditentukan adalah {input_columns_count}.

Kesalahan 0032

Pengecualian terjadi jika argumen bukan sebuah angka.

Anda akan menerima kesalahan ini di Azure Machine Learning jika argumennya ganda atau NaN.

Resolusi: Mengubah argumen yang ditentukan untuk menggunakan nilai yang valid.

Pesan pengecualian
Argumen bukan sebuah angka.
"{arg_name}" bukan sebuah angka.

Kesalahan 0033

Pengecualian terjadi jika argumen adalah Tidak terbatas.

Kesalahan dalam Azure Machine Learning ini terjadi jika argumen adalah tidak terbatas. Anda akan menerima kesalahan ini jika argumen merupakan baik double.NegativeInfinity atau double.PositiveInfinity.

Resolusi: Mengubah argumen yang ditentukan untuk menggunakan nilai yang valid.

Pesan pengecualian
Argumen harus terbatas.
"{arg_name}" bukan terbatas.
Kolom "{column_name}" berisi nilai tak terbatas.

Kesalahan 0034

Pengecualian terjadi jika ada lebih dari satu peringkat untuk pasangan item pengguna yang diberikan.

Kesalahan dalam Azure Machine Learning ini terjadi dalam rekomendasi jika pasangan item pengguna memiliki lebih dari satu nilai peringkat.

Resolusi: Pastikan bahwa pasangan item pengguna hanya memiliki satu nilai peringkat saja.

Pesan pengecualian
Ada lebih dari satu peringkat untuk nilai dalam himpunan data.
Lebih dari satu peringkat untuk pengguna {user} dan item {item} dalam tabel data prediksi peringkat.
Lebih dari satu peringkat untuk pengguna {user} dan item {item} dalam {dataset}.

Kesalahan 0035

Pengecualian terjadi jika tidak ada fitur yang disediakan untuk pengguna atau item yang diberikan.

Kesalahan dalam Azure Machine Learning ini terjadi Anda mencoba menggunakan model rekomendasi untuk penskoran tetapi vektor fitur tidak dapat ditemukan.

Resolusi:

Pemberi rekomendasi Matchbox memiliki persyaratan tertentu yang harus dipenuhi saat menggunakan fitur item atau fitur pengguna. Kesalahan ini menunjukkan bahwa vektor fitur hilang untuk pengguna atau item yang Anda berikan sebagai input. Pastikan bahwa vektor fitur tersedia dalam data untuk setiap pengguna atau item.

Misalnya, jika Anda melatih model rekomendasi menggunakan fitur seperti usia, lokasi, atau pendapatan pengguna, tetapi sekarang ingin membuat skor untuk pengguna baru yang tidak terlihat selama pelatihan, Anda harus menyediakan beberapa set fitur yang setara (yaitu, nilai usia, lokasi, dan pendapatan) bagi pengguna baru untuk membuat prediksi yang sesuai untuk mereka.

Jika Anda tidak memiliki fitur apa pun untuk pengguna ini, pertimbangkan merekayasa fitur untuk menghasilkan fitur yang sesuai. Misalnya, jika Anda tidak memiliki nilai usia atau pendapatan pengguna individual, Anda mungkin menghasilkan perkiraan nilai untuk digunakan untuk sekelompok pengguna.

Tip

Resolusi tidak berlaku untuk kasus Anda? Anda dipersilakan untuk mengirimkan umpan balik pada artikel ini dan memberikan informasi tentang skenario, termasuk komponen dan jumlah baris dalam kolom. Kami akan menggunakan informasi ini untuk memberikan langkah-langkah pemecahan masalah yang lebih rinci di masa mendatang.

Pesan pengecualian
Tidak ada fitur yang disediakan untuk pengguna atau item yang diperlukan.
Fitur untuk {required_feature_name} diperlukan tetapi tidak disediakan.

Kesalahan 0036

Pengecualian terjadi jika beberapa vektor fitur disediakan untuk pengguna atau item yang diberikan.

Kesalahan dalam Azure Machine Learning ini terjadi jika vektor fitur didefinisikan lebih dari sekali.

Resolusi: Pastikan bahwa vektor fitur tidak didefinisikan lebih dari sekali.

Pesan pengecualian
Definisi fitur duplikat untuk pengguna atau item.

Kesalahan 0037

Pengecualian terjadi jika beberapa kolom label ditentukan dan hanya satu yang diizinkan.

Kesalahan dalam Azure Machine Learning ini terjadi jika lebih dari satu kolom dipilih untuk menjadi kolom label baru. Sebagian besar algoritma pembelajaran yang diawasi memerlukan satu kolom untuk ditandai sebagai target atau label.

Resolusi: Pastikan untuk memilih satu kolom sebagai kolom label baru.

Pesan pengecualian
Beberapa kolom label ditentukan.
Beberapa kolom label ditentukan dalam "{dataset_name}".

Kesalahan 0039

Pengecualian terjadi jika operasi gagal.

Galat ini di Azure Machine Learning terjadi ketika operasi internal tidak dapat diselesaikan.

Resolusi: Kesalahan ini disebabkan oleh banyak kondisi dan tidak ada perbaikan khusus.
Tabel berikut berisi pesan umum untuk kesalahan ini, yang diikuti oleh deskripsi tertentu tentang kondisi tersebut.

Jika tidak ada detail yang tersedia, halaman pertanyaan Microsoft Q&A untuk mengirim umpan balik dan berikan informasi tentang komponen yang menyebabkan kesalahan dan kondisi terkait.

Pesan pengecualian
Operasi gagal.
Kesalahan saat menyelesaikan operasi: "{failed_operation}".
Kesalahan saat menyelesaikan operasi: "{failed_operation}". Alasan: "{reason}".

Kesalahan 0042

Pengecualian terjadi ketika tidak dimungkinkan untuk mengonversi kolom ke jenis lain.

Kesalahan dalam Azure Machine Learning ini terjadi ketika tidak dimungkinkan untuk mengonversi kolom ke jenis yang ditentukan. Anda akan menerima kesalahan ini jika komponen memerlukan jenis data tertentu, seperti tanggalwaktu, teks, angka poin mengambang, atau bilangan bulat, tetapi tidak mungkin untuk mengonversi kolom yang ada ke jenis yang diperlukan.

Misalnya, Anda dapat memilih kolom dan mencoba mengonversinya menjadi jenis data numerik untuk digunakan dalam operasi matematika, dan mendapatkan kesalahan ini jika kolom berisi data yang tidak valid.

Alasan lain Anda mungkin mendapatkan kesalahan ini jika Anda mencoba menggunakan kolom yang berisi bilangan titik ambang atau banyak nilai unik sebagai kolom kategoris.

Resolusi:

Buka halaman bantuan untuk komponen yang menghasilkan kesalahan, dan verifikasi persyaratan jenis data.
Ulasan jenis data kolom dalam himpunan data input.
Periksa data yang berasal dari apa yang disebut sumber data tanpa skema.
Periksa himpunan data untuk nilai yang hilang atau karakter khusus yang mungkin memblokir konversi ke jenis data yang diinginkan.
- Jenis data numerik harus konsisten: misalnya, periksa bilangan titik ambang dalam kolom bilangan bulat.
- Cari untai (karakter) teks atau nilai NA dalam kolom angka.
- Nilai Boolean dapat dikonversi ke representasi yang sesuai tergantung pada jenis data yang diperlukan.
- Memeriksa kolom teks untuk karakter non unicode, karakter tab, atau karakter kontrol
- Data tanggalwaktu harus konsisten untuk menghindari kesalahan pemodelan, tetapi pembersihan bisa rumit karena banyak format. Pertimbangkan untuk menggunakan komponen Jalankan Skrip Python untuk melakukan pembersihan.
Jika perlu, ubah nilai dalam himpunan data input sehingga kolom berhasil dikonversi. Pengubahan bisa saja termasuk operasi binning, pemotongan, atau pembulatan, penghapusan titik luar, atau imputasi nilai yang hilang. Lihat artikel berikut untuk beberapa skenario transformasi data umum dalam pembelajaran mesin:
- Membersihkan Data Yang Hilang
- Menormalkan Data

Tip

Resolusi tidak jelas, atau tidak berlaku untuk kasus Anda? Anda dipersilakan untuk mengirim umpan balik pada artikel ini dan memberikan informasi tentang skenario, termasuk komponen dan jenis data kolom. Kami akan menggunakan informasi ini untuk memberikan langkah-langkah pemecahan masalah yang lebih rinci di masa mendatang.

Pesan pengecualian
Konversi tidak diperbolehkan.
Tidak dapat mengonversi kolom jenis {type1} ke kolom jenis {type2}.
Tidak dapat mengonversi kolom "{col_name1}" dari jenis {type1} ke kolom jenis {type2}.
Tidak dapat mengonversi kolom "{col_name1}" dari jenis {type1} ke kolom "{col_name2}" dari jenis {type2}.

Kesalahan 0044

Pengecualian terjadi ketika tidak dimungkinkan untuk memperoleh jenis elemen kolom dari nilai yang ada.

Kesalahan ini di Azure Machine Learning terjadi ketika tidak dimungkinkan untuk menyimpulkan jenis kolom atau kolom dalam himpunan data. Ini biasanya terjadi saat menyatukan dua atau lebih himpunan data dengan jenis elemen yang berbeda. Jika Azure Machine Learning tidak dapat menentukan jenis umum yang dapat mewakili semua nilai dalam kolom atau kolom-kolom tanpa kehilangan informasi, ia akan menghasilkan kesalahan ini.

Resolusi: Pastikan bahwa semua nilai dalam kolom yang diberikan di kedua himpunan data yang digabungkan adalah jenis yang sama (numerik, Boolean, kategoris, untai (karakter), tanggal, dan lain-lain) atau dapat dipaksa ke jenis yang sama.

Pesan pengecualian
Tidak bisa memperoleh jenis elemen kolom.
Tidak dapat memperoleh jenis elemen untuk kolom "{column_name}" -- semua elemen adalah referensi null.
Tidak dapat memperoleh jenis elemen untuk kolom "{column_name}" dari himpunan data "{dataset_name}" -- semua elemen adalah referensi null.

Kesalahan 0045

Pengecualian terjadi ketika tidak dimungkinkan untuk membuat kolom karena jenis elemen campuran di sumber.

Kesalahan dalam Azure Machine Learning ini dihasilkan ketika jenis elemen dari dua himpunan data yang digabungkan adalah berbeda.

Pesan pengecualian
Tidak dapat membuat kolom dengan jenis elemen campuran.
Tidak dapat membuat kolom dengan id "{column_id}" dari jenis elemen campuran: Jenis data[{row_1}, {column_id}] adalah "{type_1}". Jenis data[{row_2}, {column_id}] adalah "{type_2}".
Tidak dapat membuat kolom dengan id "{column_id}" dari jenis elemen campuran: Jenis dalam gugus {chunk_id_1} adalah "{type_1}". Jenis dalam gugus {chunk_id_2} adalah "{type_2}" dengan ukuran gugus: {chunk_size}.

Kesalahan 0046

Pengecualian terjadi ketika tidak dimungkinkan untuk membuat direktori pada jalur yang ditentukan.

Kesalahan dalam Azure Machine Learning ini terjadi ketika tidak dimungkinkan untuk membuat direktori pada jalur yang ditentukan. Anda akan menerima kesalahan ini jika ada bagian dari jalur ke direktori output untuk Kueri Apache Hive adalah salah atau tidak dapat diakses.

Resolusi: Buka kembali komponen dan verifikasi bahwa jalur direktori diformat dengan benar dan dapat diakses dengan kredensial saat ini.

Pesan pengecualian
Tentukan direktori keluaran yang valid.
Direktori: {path} tidak dapat dibuat. Tentukan jalur yang valid.

Kesalahan 0047

Pengecualian terjadi jika jumlah kolom fitur di beberapa himpunan data yang diteruskan ke komponen terlalu kecil.

Kesalahan dalam Azure Machine Learning ini terjadi jika himpunan data input ke pelatihan tidak berisi jumlah minimum kolom yang diperlukan oleh algoritma. Biasanya antara himpunan data kosong atau hanya berisi kolom pelatihan.

Resolusi: Kunjungi kembali himpunan data input untuk memastikan ada satu atau beberapa kolom tambahan selain kolom label.

Pesan pengecualian
Jumlah kolom fitur dalam himpunan data input kurang dari minimum yang diperbolehkan.
Jumlah kolom fitur dalam himpunan data input kurang dari kolom minimum {required_columns_count} yang diperbolehkan.
Jumlah kolom fitur dalam himpunan data input "{arg_name}" kurang dari kolom minimum {required_columns_count} yang diperbolehkan.

Kesalahan 0048

Pengecualian terjadi dalam kasus ketika tidak dimungkinkan untuk membuka file.

Kesalahan dalam Azure Machine Learning ini terjadi ketika tidak dimungkinkan untuk membuka file untuk dibaca atau ditulis. Anda mungkin menerima kesalahan ini karena alasan berikut:

Kontainer atau file (blob) tidak ada
Tingkat akses file atau kontainer tidak memungkinkan Anda untuk mengakses file
File terlalu besar untuk dibaca atau format yang salah

Resolusi: Buka kembali komponen dan file yang Anda coba baca.

Pastikan bahwa nama kontainer dan file sudah benar.

Gunakan portal klasik Azure atau alat penyimpanan Azure untuk memverifikasi bahwa Anda memiliki izin untuk mengakses file itu.

Pesan pengecualian
Tak bisa membuka file.
Kesalahan saat membuka file: {file_name}.
Kesalahan saat membuka file: {file_name}. Pesan pengecualian penyimpanan: {exception}.

Kesalahan 0049

Pengecualian terjadi dalam kasus ketika tidak dimungkinkan untuk mengurai file.

Kesalahan dalam Azure Machine Learning ini terjadi ketika tidak dimungkinkan untuk mengurai file. Anda akan menerima kesalahan ini jika format file yang dipilih dalam komponen Impor Data tidak cocok dengan format file yang sebenarnya, atau jika file berisi karakter yang tidak dapat dikenali.

Resolusi: Buka kembali komponen dan perbaiki pemilihan format file jika tidak cocok dengan format file. Jika memungkinkan, periksa file untuk mengonfirmasi bahwa file tersebut tidak berisi karakter ilegal.

Pesan pengecualian
Tidak dapat mengurai berkas.
Kesalahan saat menguraikan file {file_format}.
Kesalahan saat menguraikan file {file_format}: {file_name}.
Kesalahan saat menguraikan file {file_format}. Alasan: {failure_reason}.
Kesalahan saat menguraikan file {file_format}: {file_name}. Alasan: {failure_reason}.

Kesalahan 0052

Pengecualian terjadi jika kunci akun penyimpanan Azure ditentukan secara salah.

Kesalahan dalam Azure Machine Learning ini terjadi jika kunci yang digunakan untuk mengakses akun penyimpanan Azure adalah salah. Misalnya, Anda mungkin melihat kesalahan ini jika kunci penyimpanan Azure terpotong saat disalin dan ditempelkan, atau jika kunci yang salah digunakan.

Untuk informasi selengkapnya tentang cara mendapatkan kunci untuk akun penyimpanan Azure, lihat Menampilkan, menyalin, dan meregenerasi kunci akses penyimpanan.

Resolusi: Buka kembali komponen dan verifikasi bahwa kunci penyimpanan Azure sudah benar untuk akun tersebut; salin kunci lagi dari portal klasik Azure jika perlu.

Pesan pengecualian
Kunci akun penyimpanan Azure salah.

Kesalahan 0053

Pengecualian terjadi dalam kasus ketika tidak ada fitur pengguna atau item untuk rekomendasi matchbox.

Kesalahan dalam Azure Machine Learning ini dihasilkan ketika vektor fitur tidak dapat ditemukan.

Resolusi: Pastikan bahwa vektor fitur ada di himpunan data input.

Pesan pengecualian
Fitur pengguna atau/dan item diperlukan tetapi tidak disediakan.

Kesalahan 0056

Pengecualian terjadi jika kolom yang Anda pilih untuk operasi melanggar persyaratan.

Kesalahan dalam Azure Machine Learning ini terjadi saat Anda memilih kolom untuk operasi yang mengharuskan kolom memiliki jenis data tertentu.

Kesalahan ini juga dapat terjadi jika kolom adalah jenis data yang benar, tetapi komponen yang Anda gunakan mengharuskan kolom tersebut juga ditandai sebagai fitur, label, atau kolom kategoris.

Resolusi:

Ulasan jenis data kolom yang saat ini dipilih.
Memastikan apakah kolom yang dipilih adalah kolom kategoris, label, atau fitur.
Tinjau topik bantuan untuk komponen tempat Anda membuat pilihan kolom, guna menentukan apakah ada persyaratan khusus untuk jenis data atau penggunaan kolom.
Gunakan Edit Metadata untuk mengubah jenis kolom selama durasi operasi ini. Pastikan untuk mengubah jenis kolom kembali ke nilai aslinya, menggunakan instans lain dari Edit Metadata, jika Anda membutuhkannya untuk operasi hilir.

Pesan pengecualian
Satu atau beberapa kolom yang dipilih tidak berada dalam kategori yang diperbolehkan.
Kolom dengan nama "{col_name}" tidak berada dalam kategori yang diperbolehkan.

Kesalahan 0057

Pengecualian terjadi ketika mencoba membuat file atau blob yang sudah ada.

Pengecualian ini terjadi saat Anda menggunakan komponen Ekspor Data atau komponen lain untuk menyimpan hasil alur di Azure Machine Learning ke penyimpanan blob Azure, tetapi Anda mencoba membuat file atau blob yang sudah ada.

Resolusi:

Anda akan menerima kesalahan ini hanya jika sebelumnya Anda mengeset properti mode penulisan penyimpanan blob Azure ke Kesalahan. Secara desain, komponen ini menyebabkan kesalahan jika Anda mencoba menulis himpunan data ke blob yang sudah ada.

Buka properti komponen dan ubah properti mode tulis penyimpanan blob Azure menjadi Timpa.
Atau, Anda dapat mengetik nama blob atau file tujuan yang berbeda dan pastikan untuk menentukan blob yang belum ada.

Pesan pengecualian
File atau Blob sudah ada.
File atau Blob "{file_path}" sudah ada.

Kesalahan 0058

Kesalahan dalam Azure Machine Learning ini terjadi jika himpunan data tidak berisi kolom label yang diharapkan.

Pengecualian ini juga dapat terjadi ketika kolom label yang disediakan tidak cocok dengan data atau jenis data yang diharapkan oleh pelajar, atau memiliki nilai yang salah. Misalnya, pengecualian ini diproduksi saat menggunakan kolom label bernilai riil saat melatih pengklasifikasi biner.

Resolusi: Resolusi tergantung pada pelajar atau pelatih yang Anda gunakan, dan jenis data kolom dalam himpunan data Anda. Pertama, verifikasi persyaratan algoritma pembelajaran mesin atau komponen pelatihan.

Lihat kembali himpunan data input. Verifikasi bahwa kolom yang Anda harapkan diperlakukan sebagai label memiliki jenis data yang tepat untuk model yang Anda buat.

Periksa input untuk nilai yang hilang dan hilangkan atau ganti jika diperlukan.

Jika perlu, tambahkan komponen Edit Metadata dan pastikan kolom label ditandai sebagai label.

Pesan pengecualian
Nilai kolom label dan nilai kolom label yang dicetak tidak sebanding.
Kolom label tidak seperti yang diharapkan dalam "{dataset_name}".
Kolom label tidak seperti yang diharapkan dalam "{dataset_name}", {reason}.
Kolom label "{column_name}" tidak diharapkan dalam "{dataset_name}".
Kolom label "{column_name}" tidak diharapkan dalam "{dataset_name}", {reason}.

Kesalahan 0059

Pengecualian terjadi jika indeks kolom yang ditentukan dalam pemilih kolom tidak dapat diurai.

Kesalahan ini di Azure Machine Learning terjadi jika indeks kolom yang ditentukan saat menggunakan Pemilih Kolom tidak dapat diurai. Anda akan menerima kesalahan ini ketika indeks kolom dalam format tidak valid yang tidak dapat diurai.

Resolusi: Ubah indeks kolom untuk menggunakan nilai indeks yang valid.

Pesan pengecualian
Satu atau beberapa indeks kolom atau rentang indeks yang ditentukan tak bisa diurai.
Indeks kolom atau rentang "{column_index_or_range}" tidak dapat diurai.

Kesalahan 0060

Pengecualian terjadi saat rentang kolom yang di luar jangkauan ditentukan dalam pemilih kolom.

Kesalahan ini di Azure Machine Learning terjadi ketika rentang kolom yang di luar jangkauan ditentukan dalam Pemilih Kolom. Anda akan menerima kesalahan ini jika rentang kolom di pemilih kolom tidak sesuai dengan kolom dalam himpunan data.

Resolusi: Ubah rentang kolom di pemilih kolom agar sesuai dengan kolom dalam himpunan data.

Pesan pengecualian
Rentang indeks kolom tidak valid atau di luar jangkauan yang ditentukan.
Rentang kolom "{column_range}" tidak valid atau di luar jangkauan.

Kesalahan 0061

Pengecualian terjadi saat mencoba menambahkan baris ke DataTable yang memiliki jumlah kolom yang berbeda dari tabel.

Kesalahan dalam Azure Machine Learning ini terjadi saat Anda mencoba menambahkan baris ke himpunan data yang memiliki jumlah kolom yang berbeda dari himpunan data. Anda akan menerima kesalahan ini jika baris yang sedang ditambahkan ke himpunan data memiliki jumlah kolom yang berbeda dari himpunan data input. Baris tidak dapat ditambahkan ke himpunan data jika jumlah kolom berbeda.

Resolusi: Ubah himpunan data input agar memiliki jumlah kolom yang sama dengan baris yang ditambahkan, atau ubah baris yang ditambahkan agar memiliki jumlah kolom yang sama dengan himpunan data.

Pesan pengecualian
Semua tabel harus memiliki jumlah kolom yang sama.
Kolom dalam gugus "{chunk_id_1}" berbeda dengan gugus "{chunk_id_2}" dengan ukuran gugus: {chunk_size}.
Jumlah kolom dalam file "{filename_1}" (count={column_count_1}) berbeda dengan file "{filename_2}" (count={column_count_2}).

Kesalahan 0062

Pengecualian terjadi ketika mencoba membandingkan dua model dengan jenis pelajar yang berbeda.

Kesalahan dalam Azure Machine Learning ini dihasilkan saat metrik evaluasi untuk dua himpunan data yang dicetak berbeda tidak dapat dibandingkan. Dalam hal ini, tidak mungkin untuk membandingkan efektivitas model yang digunakan untuk menghasilkan dua himpunan data yang dicetak.

Resolusi: Verifikasi bahwa hasil yang dicetak dihasilkan oleh jenis model pembelajaran mesin yang sama (klasifikasi biner, regresi, klasifikasi multi kelas, rekomendasi, pengklusteran, deteksi anomali, dan lain-lain) Semua model yang Anda bandingkan harus memiliki jenis pelajar yang sama.

Pesan pengecualian
Semua model harus memiliki jenis pelajar yang sama.
Mempunyai jenis pelajar yang tidak kompatibel: "{actual_learner_type}". Jenis pelajar yang diharapkan adalah: "{expected_learner_type_list}".

Kesalahan 0064

Pengecualian terjadi jika nama akun penyimpanan Azure atau kunci penyimpanan ditentukan secara salah.

Kesalahan dalam Azure Machine Learning ini terjadi jika nama akun penyimpanan Azure atau kunci penyimpanan ditentukan secara salah. Anda akan menerima kesalahan ini jika Anda memasukkan nama akun atau kata sandi yang salah untuk akun penyimpanan. Ini dapat terjadi jika Anda memasukkan nama akun atau kata sandi secara manual. Hal ini juga dapat terjadi jika akun telah dihapus.

Resolusi: Pastikan bahwa nama akun dan kata sandi telah dimasukkan dengan benar, dan akun tersebut ada.

Pesan pengecualian
Nama akun penyimpanan Azure atau kunci penyimpanan salah.
Nama akun penyimpanan Azure "{account_name}" atau kunci penyimpanan untuk nama akun salah.

Kesalahan 0065

Pengecualian terjadi jika nama blob Azure ditentukan secara salah.

Kesalahan dalam Azure Machine Learning ini terjadi jika nama blob Azure ditentukan secara salah. Anda akan menerima kesalahan jika:

Blob tidak dapat ditemukan dalam kontainer yang ditentukan.

Hanya kontainer yang ditentukan sebagai sumber dalam permintaan Impor Data saat format dalam excel atau CSV dengan pengkodean; penyatuan isi semua blob dalam kontainer tidak diperbolehkan dengan format ini.
SAS URI tidak berisi nama blob yang valid.

Resolusi: Buka kembali komponen yang menampilkan pengecualian. Verifikasi bahwa blob yang ditentukan memang ada di kontainer di akun penyimpanan dan bahwa izin memungkinkan Anda untuk melihat blob. Verifikasi bahwa input adalah formulir containername/filename jika Anda memiliki Excel atau CSV dengan format pengkodean. Verifikasi bahwa SAS URI berisi nama blob yang valid.

Pesan pengecualian
Nama blob penyimpanan Azure salah.
Nama blob penyimpanan Azure "{blob_name}" salah.
Nama blob penyimpanan Azure dengan awalan "{blob_name_prefix}" tidak ada.
Gagal menemukan blob penyimpanan Azure apa pun di bagian kontainer "{container_name}".
Gagal menemukan blob penyimpanan Azure apa pun dengan jalur kartubebas "{blob_wildcard_path}".

Kesalahan 0066

Pengecualian terjadi jika sumber daya tidak dapat diunggah ke Blob Azure.

Kesalahan dalam Azure Machine Learning ini terjadi jika sumber daya tidak dapat diunggah ke Blob Azure. Keduanya disimpan ke akun penyimpanan Azure yang sama dengan akun yang berisi file input.

Resolusi: Buka kembali komponen. Verifikasi bahwa nama akun Azure, kunci penyimpanan, dan kontainer sudah benar dan akun tersebut memiliki izin untuk menulis ke kontainer.

Pesan pengecualian
Sumber daya tidak dapat diunggah ke penyimpanan Azure.
File "{source_path}" tidak dapat diunggah ke penyimpanan Azure sebagai "{dest_path}".

Kesalahan 0067

Pengecualian terjadi jika himpunan data memiliki jumlah kolom yang berbeda dari yang diharapkan.

Kesalahan ini di Azure Machine Learning terjadi jika himpunan data memiliki jumlah kolom yang berbeda dari yang diharapkan. Anda akan menerima kesalahan ini ketika jumlah kolom dalam himpunan data berbeda dari jumlah kolom yang diharapakan komponen selama eksekusi.

Resolusi: Ubah himpunan data input atau parameter.

Pesan pengecualian
Jumlah kolom yang tidak terduga dalam tabel data.
Jumlah kolom yang tidak terduga dalam himpunan data "{dataset_name}".
Diharapkan kolom "{expected_column_count}" tetapi ditemukan kolom "{actual_column_count}" sebagai gantinya.
Di himpunan data input "{dataset_name}", diharapkan kolom "{expected_column_count}" tetapi ditemukan kolom "{actual_column_count}" sebagai gantinya.

Kesalahan 0068

Pengecualian terjadi jika skrip Apache Hive yang ditentukan adalah salah.

Kesalahan dalam Azure Machine Learning ini terjadi jika ada galat sintaksis dalam skrip Apache Hive QL, atau jika penerjemah Hive menemui kesalahan saat menjalankan kueri atau skrip.

Resolusi:

Pesan kesalahan dari Apache Hive biasanya dilaporkan kembali di Log Kesalahan sehingga Anda dapat mengambil tindakan berdasarkan kesalahan tertentu.

Buka komponen dan periksa kueri untuk kesalahan.
Verifikasi bahwa kueri berfungsi dengan benar di luar Azure Machine Learning dengan pengelogan ke konsol Apache Hive kluster Hadoop Anda dan menjalankan kueri.
Cobalah menempatkan komentar di skrip Apache Hive Anda dalam baris terpisah dibandingkan dengan mencampur pernyataan dan komentar yang dapat dieksekusi dalam satu baris.

Sumber daya

Lihat artikel berikut ini untuk bantuan tentang kueri Apache Hive untuk pembelajaran mesin:

Pesan pengecualian
Skrip Apache Hive salah.

Kesalahan 0069

Pengecualian terjadi jika skrip SQL yang ditentukan adalah salah.

Kesalahan dalam Azure Machine Learning ini terjadi jika skrip SQL yang ditentukan memiliki masalah sintaksis, atau jika kolom atau tabel yang ditentukan dalam skrip tidak valid.

Anda akan menerima kesalahan ini jika mesin SQL mengalami kesalahan saat menjalankan kueri atau skrip. Pesan kesalahan dari SQL biasanya dilaporkan kembali di Log Kesalahan sehingga Anda dapat mengambil tindakan berdasarkan kesalahan tertentu.

Resolusi: Buka kembali komponen dan periksa kesalahan dalam kueri SQL.

Verifikasi bahwa kueri berfungsi dengan benar di luar Azure Pembelajaran Mesin dengan masuk ke server database secara langsung dan menjalankan kueri.

Jika ada pesan yang dihasilkan SQL yang dilaporkan oleh pengecualian komponen, ambil tindakan berdasarkan kesalahan yang dilaporkan. Misalnya, pesan kesalahan terkadang menyertakan panduan khusus tentang kemungkinan kesalahan:

Tidak ada kolom seperti itu atau database yang hilang, menunjukkan bahwa Anda mungkin telah mengetik nama kolom yang salah. Jika Anda yakin nama kolom sudah benar, coba gunakan tanda kurung atau tanda kutip untuk mengapit pengidentifikasi kolom.
Kesalahan logika SQL di dekat <kata kunci SQL>, yang menunjukkan bahwa Anda mungkin mengalami galat sintaksis sebelum kata kunci yang ditentukan

Pesan pengecualian
Skrip SQL salah.
Kueri SQL "{sql_query}" tidak benar.
Kueri SQL "{sql_query}" tidak benar. Pesan pengecualian: {exception}.

Kesalahan 0070

Pengecualian terjadi saat mencoba mengakses tabel Azure yang tidak ada.

Kesalahan dalam Azure Machine Learning ini terjadi saat Anda mencoba mengakses tabel Azure yang tidak ada. Anda akan menerima kesalahan ini jika Anda menentukan tabel di penyimpanan Azure, yang tidak ada saat membaca dari atau menulis ke Table Storage Azure. Ini bisa terjadi jika Anda salah mengetik nama tabel yang diinginkan, atau Anda memiliki ketidakcocokan antara nama target dan jenis penyimpanan. Misalnya, Anda bermaksud membaca dari tabel tetapi memasukkan nama blob sebagai gantinya.

Resolusi: Buka kembali komponen untuk memverifikasi bahwa nama tabel sudah benar.

Pesan pengecualian
Tabel Azure tidak ada.
Tabel Azure "{table_name}" tidak ada.

Kesalahan 0072

Pengecualian terjadi dalam kasus waktu koneksi habis.

Kesalahan ini di Azure Machine Learning terjadi ketika waktu koneksi habis. Anda akan menerima kesalahan ini jika saat ini ada masalah konektivitas dengan sumber data atau tujuan, seperti konektivitas internet yang lambat, atau jika himpunan datanya besar dan/atau kueri SQL untuk dibaca dalam data melakukan pemrosesan yang rumit.

Resolusi: Tentukan apakah saat ini ada masalah dengan koneksi lambat ke penyimpanan Azure atau internet.

Pesan pengecualian
Terjadi waktu koneksi habis.

Kesalahan 0073

Pengecualian terjadi jika kesalahan terjadi saat mengonversi kolom ke jenis lain.

Kesalahan dalam Azure Machine Learning ini terjadi ketika tidak dimungkinkan untuk mengonversi kolom ke jenis yang ditentukan. Anda akan menerima kesalahan ini jika komponen memerlukan jenis tertentu dan tidak mungkin untuk mengonversi kolom ke jenis baru.

Resolusi: Ubah himpunan data input sehingga kolom dapat dikonversi berdasarkan pengecualian bagian dalam.

Pesan pengecualian
Gagal mengonversi kolom.
Gagal mengonversi kolom menjadi {target_type}.

Kesalahan 0075

Pengecualian terjadi ketika fungsi binning tidak valid digunakan saat mengolah himpunan data.

Kesalahan dalam Azure Machine Learning ini terjadi ketika Anda mencoba untuk melakukan bin pada data menggunakan metode yang tidak didukung, atau ketika kombinasi parameter tidak valid.

Resolusi:

Penanganan kesalahan untuk acara ini diperkenalkan dalam versi awal Azure Machine Learning yang memungkinkan lebih banyak penyesuaian metode binning. Saat ini semua metode binning didasarkan pada pilihan dari daftar menurun, jadi secara teknis seharusnya tidak mungkin lagi untuk mendapatkan kesalahan ini.

Pesan pengecualian
Fungsi binning tidak valid yang digunakan.

Kesalahan 0077

Pengecualian terjadi ketika file blob yang tidak diketahui menulis mode dilewatkan.

Kesalahan dalam Azure Machine Learning ini terjadi jika argumen yang tidak valid diteruskan dalam spesifikasi untuk tujuan atau sumber file blob.

Resolusi: Di hampir semua komponen yang mengimpor atau mengekspor data ke dan dari penyimpanan blob Azure, nilai parameter yang mengontrol mode tulis ditetapkan dengan menggunakan daftar dropdown; oleh karena itu, tidak mungkin untuk memberikan nilai yang tidak valid, dan kesalahan ini seharusnya tidak muncul. Kesalahan ini tidak akan digunakan lagi dalam rilis selanjutnya.

Pesan pengecualian
Mode penulisan blob yang tidak didukung.
Mode penulisan blob yang tidak didukung: {blob_write_mode}.

Kesalahan 0078

Pengecualian terjadi ketika opsi HTTP untuk Impor Data menerima kode status 3xx yang menunjukkan pengalihan.

Kesalahan ini di Azure Machine Learning terjadi ketika opsi HTTP untuk Impor Data menerima kode status 3xx (301, 302, 304, dan lain-lain) yang menunjukkan pengalihan. Anda akan menerima kesalahan ini jika Anda mencoba menyambungkan ke sumber HTTP yang mengalihkan browser ke halaman lain. Untuk alasan keamanan, mengalihkan situs web tidak diizinkan sebagai sumber data untuk Azure Machine Learning.

Resolusi: Jika situs web adalah situs web tepercaya, masukkan URL yang dialihkan secara langsung.

Pesan pengecualian
Pengalihan http tidak diizinkan.

Kesalahan 0079

Pengecualian terjadi jika nama kontainer penyimpanan Azure ditentukan secara salah.

Kesalahan dalam Azure Machine Learning ini terjadi jika nama kontainer penyimpanan Azure ditentukan secara salah. Anda akan menerima kesalahan ini jika Anda belum menentukan nama kontainer dan blob (file) menggunakan opsi Jalur ke blob yang dimulai dengan kontainer saat menulis ke Azure Blob Storage.

Resolusi: Buka kembali komponen Ekspor Data dan verifikasi bahwa jalur yang ditentukan ke blob berisi kontainer dan nama file, dalam format kontainer/filename.

Pesan pengecualian
Nama kontainer penyimpanan Azure salah.
Nama kontainer penyimpanan Azure "{container_name}" salah; nama kontainer dari format kontainer/blob diharapkan.

Kesalahan 0080

Pengecualian terjadi ketika kolom dengan semua nilai yang hilang tidak diizinkan oleh komponen.

Kesalahan dalam Azure Machine Learning ini dihasilkan saat satu atau beberapa kolom yang digunakan oleh komponen berisi semua nilai yang hilang. Misalnya, jika komponen menghitung statistik agregat untuk setiap kolom, komponen tersebut tidak dapat beroperasi pada kolom yang tidak berisi data. Dalam kasus seperti itu, eksekusi komponen dihentikan dengan pengecualian ini.

Resolusi: Lihat kembali himpunan data input dan hapus kolom apa pun yang berisi semua nilai yang hilang.

Pesan pengecualian
Kolom dengan semua nilai yang hilang tidak diperbolehkan.
Kolom {col_index_or_name} memiliki semua nilai yang hilang.

Kesalahan 0081

Pengecualian terjadi pada komponen PCA jika jumlah dimensi yang akan dikurangi sama dengan jumlah kolom fitur dalam himpunan data input, yang berisi setidaknya satu kolom fitur jarang.

Kesalahan dalam Azure Machine Learning ini dihasilkan jika kondisi berikut terpenuhi: (a) himpunan data input memiliki setidaknya satu kolom jarang dan (b) jumlah akhir dimensi yang diminta sama dengan jumlah dimensi input.

Resolusi: Pertimbangkan untuk mengurangi jumlah dimensi dalam output menjadi lebih sedikit dari jumlah dimensi dalam input. Ini umum dalam aplikasi PCA.

Pesan pengecualian
Untuk himpunan data yang berisi kolom fitur jarang, jumlah dimensi untuk dikurangkan harus kurang dari jumlah kolom fitur.

Kesalahan 0082

Pengecualian terjadi ketika model tidak dapat berhasil dideserialisasi.

Kesalahan dalam Azure Machine Learning ini terjadi ketika model pembelajaran mesin atau transformasi yang disimpan tidak dapat dimuat oleh versi runtime bahasa umum Azure Machine Learning yang lebih baru sebagai akibat dari perubahan yang melanggar.

Resolusi: Alur pelatihan yang menghasilkan model atau transformasi harus dijalankan ulang dan model atau transformasi harus disimpan ulang.

Pesan pengecualian
Model tidak dapat dideserialisasi karena kemungkinan diserialisasi dengan format serialisasi yang lebih lama. Melatih kembali dan menyimpan ulang model.

Kesalahan 0083

Pengecualian terjadi jika himpunan data yang digunakan untuk pelatihan tidak dapat digunakan untuk jenis pembelajar yang konkret.

Kesalahan dalam Azure Machine Learning ini dihasilkan ketika himpunan data tidak kompatibel dengan pelajar yang dilatih. Misalnya, himpunan data mungkin berisi setidaknya satu nilai yang hilang di setiap baris, dan sebagai hasilnya, seluruh himpunan data akan dilompati selama pelatihan. Dalam kasus lain, beberapa algoritma pembelajaran mesin seperti deteksi anomali tidak mengharapkan label untuk hadir dan dapat membuang pengecualian ini jika label ada dalam himpunan data.

Resolusi: Lihat dokumentasi pelajar yang digunakan untuk memeriksa persyaratan himpunan data input. Periksa kolom untuk melihat semua kolom yang diperlukan ada.

Pesan pengecualian
Himpunan data yang digunakan untuk pelatihan tidak valid.
{data_name} berisi data yang tidak valid untuk pelatihan.
{data_name} berisi data yang tidak valid untuk pelatihan. Jenis pelajar: {learner_type}.
{data_name} berisi data yang tidak valid untuk pelatihan. Jenis pelajar: {learner_type}. Alasan: {reason}.
Gagal menerapkan tindakan "{action_name}" pada data pelatihan {data_name}. Alasan: {reason}.

Kesalahan 0084

Pengecualian terjadi ketika skor yang dihasilkan dari Skrip R dievaluasi. Ini tidak didukung saat ini.

Kesalahan dalam Azure Machine Learning ini terjadi jika Anda mencoba menggunakan salah satu komponen untuk mengevaluasi model dengan output dari skrip R yang berisi skor.

Resolusi:

Pesan pengecualian
Mengevaluasi skor yang dihasilkan oleh Model Kustom saat ini tidak didukung.

Kesalahan 0085

Pengecualian terjadi ketika evaluasi skrip gagal dengan kesalahan.

Kesalahan dalam Azure Machine Learning ini terjadi saat Anda menjalankan skrip kustom yang berisi kesalahan sintaksis.

Resolusi: Tinjau kode Anda di editor eksternal dan periksa kesalahan.

Pesan pengecualian
Kesalahan selama evaluasi skrip.
Kesalahan berikut yang terjadi selama evaluasi skrip, silakan lihat log output untuk informasi lebih lanjut: ---------- Mulai pesan kesalahan dari penerjemah {script_language} ---------- {message} ---------- Akhir pesan kesalahan dari penerjemah {script_language} ----------

Kesalahan 0090

Pengecualian terjadi ketika pembuatan tabel Apache Hive gagal.

Kesalahan ini di Azure Machine Learning terjadi ketika Anda menggunakan Ekspor Data atau opsi lain untuk menyimpan data ke kluster HDInsight dan tabel Apache Hive yang ditentukan tidak dapat dibuat.

Resolusi: Periksa nama akun penyimpanan Azure yang terkait dengan kluster dan verifikasi bahwa Anda menggunakan akun yang sama di properti komponen.

Pesan pengecualian
Tabel Apache Hive tidak dapat dibuat. Untuk kluster HDInsight, pastikan nama akun penyimpanan Azure yang terkait dengan kluster sama dengan yang diteruskan melalui parameter komponen.
Tabel Apache Hive "{table_name}" tidak dapat dibuat. Untuk kluster HDInsight, pastikan nama akun penyimpanan Azure yang terkait dengan kluster sama dengan yang diteruskan melalui parameter komponen.
Tabel Apache Hive "{table_name}" tidak dapat dibuat. Untuk klaster HDInsight, pastikan nama akun penyimpanan Azure yang terkait dengan kluster adalah "{cluster_name}".

Kesalahan 0102

Disingkirkan ketika berkas ZIP tak bisa diekstrak.

Kesalahan ini di Azure Machine Learning terjadi ketika Anda mengimpor paket zip dengan ekstensi .zip, tetapi paket tersebut bukan file zip, atau file tersebut tidak menggunakan format zip yang didukung.

Resolusi: Pastikan file yang dipilih adalah file .zip yang valid, dan berkas tersebut dikompres dengan menggunakan salah satu algoritma kompresi yang didukung.

Jika Anda mendapatkan kesalahan ini saat mengimpor himpunan data dalam format terkompresi, verifikasi bahwa semua file yang terkandung menggunakan salah satu format file yang didukung, dan berada dalam format Unicode.

Coba baca file yang diinginkan ke folder zip terkompresi baru dan coba tambahkan komponen kustom lagi.

Pesan pengecualian
File ZIP yang diberikan tidak dalam format yang benar.

Kesalahan 0105

Kesalahan ini ditampilkan ketika file definisi komponen berisi jenis parameter yang tidak didukung

Kesalahan dalam Azure Machine Learning ini dihasilkan saat Anda membuat definisi xml komponen kustom dan jenis parameter atau argumen dalam definisi tidak cocok dengan jenis yang didukung.

Resolusi: Pastikan bahwa properti jenis dari setiap elemen Arg dalam file definisi xml komponen kustom adalah jenis yang didukung.

Pesan pengecualian
Jenis parameter yang tidak didukung.
Jenis parameter yang tidak didukung '{0}' ditentukan.

Kesalahan 0107

Disingkirkan ketika file definisi komponen menentukan jenis output yang tidak didukung

Kesalahan dalam Azure Machine Learning ini dihasilkan saat jenis port output dalam definisi xml komponen kustom tidak cocok dengan jenis yang didukung.

Resolusi: Pastikan bahwa properti jenis dari elemen Output dalam file definisi xml komponen kustom adalah jenis yang didukung.

Pesan pengecualian
Jenis output yang tidak didukung.
Jenis output yang tidak didukung '{output_type}' ditentukan.

Kesalahan 0125

Disingkirkan saat skema untuk beberapa himpunan data tidak cocok.

Resolusi:

Pesan pengecualian
Skema himpunan data tidak cocok.

Kesalahan 0127

Ukuran piksel gambar melebihi batas yang diperbolehkan

Kesalahan ini terjadi jika Anda membaca gambar dari himpunan data gambar untuk klasifikasi dan gambar lebih besar dari yang dapat dihandel oleh model.

Pesan pengecualian
Ukuran piksel gambar melebihi batas yang diperbolehkan.
Ukuran piksel gambar dalam file '{file_path}' melebihi batas yang diperbolehkan: '{size_limit}'.

Kesalahan 0128

Jumlah probabilitas bersyarat untuk kolom kategoris melebihi batas.

Resolusi:

Pesan pengecualian
Jumlah probabilitas bersyarat untuk kolom kategoris melebihi batas.
Jumlah probabilitas bersyarat untuk kolom kategoris melebihi batas. Kolom '{column_name_or_index_1}' dan '{column_name_or_index_2}' adalah pasangan yang bermasalah.

Kesalahan 0129

Jumlah kolom dalam himpunan data melebihi batas yang diizinkan.

Resolusi:

Pesan pengecualian
Jumlah kolom dalam himpunan data melebihi batas yang diizinkan.
Jumlah kolom dalam himpunan data di '{dataset_name}' melebihi yang diperbolehkan.
Jumlah kolom dalam himpunan data di '{dataset_name}' melebihi batas '{component_name}' yang diperbolehkan.
Jumlah kolom dalam himpunan data di '{dataset_name}' melebihi '{limit_columns_count}' batas '{component_name}' yang diperbolehkan.

Kesalahan 0134

Pengecualian terjadi saat kolom label hilang atau memiliki jumlah baris berlabel yang tidak mencukupi.

Kesalahan ini terjadi saat komponen memerlukan kolom label, tetapi Anda tidak menyertakannya dalam pilihan kolom, atau kolom label kehilangan terlalu banyak nilai.

Kesalahan ini juga dapat terjadi ketika operasi sebelumnya mengubah himpunan data sedemikian rupa sehingga tidak cukup tersedia baris untuk operasi hilir. Misalnya, Anda menggunakan ekspresi di komponen Partisi dan Sampel untuk membagi himpunan data berdasarkan nilai. Jika tidak ada kecocokan yang ditemukan untuk ekspresi Anda, salah satu himpunan data yang dihasilkan dari partisi akan kosong.

Resolusi:

Jika Anda menyertakan kolom label dalam pilihan kolom tetapi tidak dikenali, gunakan komponen Edit Metadata untuk menandainya sebagai kolom label.

Kemudian, Anda dapat menggunakan komponen Bersihkan Data yang Hilang untuk menghapus baris dengan nilai yang hilang di kolom label.

Periksa himpunan data input Anda untuk memastikan bahwa himpunan data tersebut berisi data yang valid, dan baris yang cukup untuk memenuhi persyaratan operasi. Banyak algoritma akan menghasilkan pesan kesalahan jika memerlukan beberapa jumlah baris data minimum, tetapi data hanya berisi beberapa baris, atau hanya header.

Pesan pengecualian
Pengecualian terjadi saat kolom label hilang atau memiliki jumlah baris berlabel yang tidak mencukupi.
Pengecualian terjadi saat kolom label hilang atau memiliki baris berlabel {required_rows_count} yang lebih sedikit.
Pengecualian terjadi saat kolom label dalam himpunan data {dataset_name} hilang atau memiliki baris berlabel {required_rows_count} yang lebih sedikit.

Kesalahan 0138

Memori telah habis, tidak dapat menyelesaikan menjalankan komponen. Downsampling himpunan data dapat membantu meringankan masalah.

Kesalahan ini terjadi saat komponen yang berjalan membutuhkan lebih banyak memori daripada yang tersedia di kontainer Azure. Ini dapat terjadi jika Anda bekerja dengan himpunan data besar dan operasi saat ini tidak dapat masuk ke dalam memori.

Resolusi: Jika Anda mencoba membaca himpunan data besar dan operasi tidak dapat diselesaikan, downsampling himpunan data mungkin membantu.

Pesan pengecualian
Memori telah habis, tidak dapat menyelesaikan menjalankan komponen.
Memori telah habis, tidak dapat menyelesaikan menjalankan komponen. Detail: {details}

Kesalahan 0141

Pengecualian terjadi jika jumlah kolom numerik yang dipilih dan nilai unik dalam kolom kategoris dan untai (karakter) terlalu kecil.

Kesalahan dalam Azure Machine Learning ini terjadi ketika tidak ada cukup nilai unik di kolom yang dipilih untuk melakukan operasi.

Resolusi: Beberapa operasi melakukan operasi statistik pada kolom fitur dan kategoris, dan jika tidak ada nilai yang cukup, operasi mungkin gagal atau mengembalikan hasil yang tidak valid. Periksa himpunan data Anda untuk melihat berapa banyak nilai yang ada di kolom fitur dan label, dan tentukan apakah operasi yang coba Anda lakukan valid secara statistik.

Jika himpunan data sumber adalah valid, Anda bisa juga memeriksa apakah beberapa manipulasi data upstram atau operasi metadata telah mengubah data dan menghapus beberapa nilai.

Jika operasi upstram termasuk pemisahan, pengambilan sampel, atau pengambilan sampel ulang, verifikasi bahwa output berisi jumlah baris dan nilai yang diharapkan.

Pesan pengecualian
Jumlah kolom numerik yang dipilih dan nilai unik dalam kolom kategoris dan untai (karakter) terlalu kecil.
Jumlah total kolom numerik yang dipilih dan nilai unik dalam kolom kategoris dan untai (karakter) (saat ini {actual_num}) harus paling tidak {lower_boundary}.

Kesalahan 0154

Pengecualian terjadi saat pengguna mencoba menggabungkan data pada kolom kunci dengan jenis kolom yang tidak kompatibel.

Pesan pengecualian
Jenis elemen kolom kunci tidak kompatibel.
Jenis elemen kolom kunci tidak kompatibel. (kiri: {keys_left}; kanan: {keys_right})

Kesalahan 0155

Pengecualian terjadi ketika nama kolom himpunan data bukan untai (karakter).

Pesan pengecualian
Nama kolom dataframe harus jenis untai (karakter). Nama kolom bukan untai (karakter).
Nama kolom dataframe harus jenis untai (karakter). Nama kolom {column_names} bukan untai (karakter).

Kesalahan 0156

Pengecualian terjadi ketika gagal membaca data dari Azure SQL Database.

Pesan pengecualian
Gagal membaca data dari Azure SQL Database.
Gagal membaca data dari Azure SQL Database: {detailed_message} DB: {database_server_name}:{database_name} Kueri: {sql_statement}

Kesalahan 0157

Penyimpanan data tidak ditemukan.

Pesan pengecualian
Informasi penyimpanan data tidak valid.
Informasi penyimpanan data tidak valid. Gagal mendapatkan datastore Azure Pembelajaran Mesin '{datastore_name}' di ruang kerja '{workspace_name}'.

Kesalahan 0158

Disingkirkan ketika direktori transformasi tidak valid.

Pesan pengecualian
TransformationDirectory yang diberikan tidak valid.
TransformationDirectory "{arg_name}" tidak valid. Alasan: {reason}. Jalankan ulang eksperimen pelatihan, yang menghasilkan file Transform. Jika eksperimen pelatihan dihapus, buat ulang dan simpan file Transform.
TransformationDirectory "{arg_name}" tidak valid. Alasan: {reason}. {troubleshoot_hint}

Kesalahan 0159

Pengecualian terjadi jika direktori model komponen tidak valid.

Pesan pengecualian
ModelDirectory yang diberikan tidak valid.
ModelDirectory "{arg_name}" tidak valid.
ModelDirectory "{arg_name}" tidak valid. Alasan: {reason}.
ModelDirectory "{arg_name}" tidak valid. Alasan: {reason}. {troubleshoot_hint}

Kesalahan 1000

Pengecualian pustaka internal.

Kesalahan ini disediakan untuk mengambil kesalahan mesin internal yang tidak tertangani. Oleh karena itu, penyebab kesalahan ini mungkin berbeda bergantung pada komponen yang menghasilkan kesalahan.

Untuk mendapatkan bantuan lainnya, kami sarankan Anda mengirimkan pesan terperinci yang menyertai kesalahan tersebut ke forum Azure Machine Learning, bersama dengan deskripsi skenario, termasuk data yang digunakan sebagai input. Umpan balik ini akan membantu kami memprioritaskan kesalahan dan mengidentifikasi masalah yang paling penting untuk pekerjaan lebih lanjut.

Pesan pengecualian
Pengecualian pustaka.
Pengecualian pustaka: {exception}.
Pengecualian pustaka tidak diketahui: {exception}. {customer_support_guidance}.

Menjalankan komponen Script Python

Cari di azureml_main di 70_driver_logs dari Jalankan komponen Skrip Python dan Anda dapat menemukan baris tempat kesalahan terjadi. Misalnya, "File "/tmp/tmp01_ID/user_script.py", baris 17, di azureml_main" menunjukkan bahwa kesalahan terjadi di baris 17 skrip Python Anda.

Pelatihan yang didistribusikan

Saat ini perancang mendukung pelatihan terdistribusi untuk dan komponen Melatih Model PyTorch.

Jika pelatihan terdistribusi yang diaktifkan komponen gagal tanpa log 70_driver apa pun, Anda dapat memeriksa 70_mpi_log untuk detail kesalahan.

Contoh berikut menunjukkan bahwa Jumlah node pengaturan eksekusi lebih besar dari jumlah node kluster komputasi yang tersedia.

Contoh berikut menunjukkan kesalahan umum, yaitu Jumlah proses per node lebih besar dari Unit Pemrosesan komputasi.

Sebaliknya, Anda dapat memeriksa 70_driver_log untuk setiap proses. 70_driver_log_0 adalah untuk proses utama.