エラーコードを使用した Azure Machine Learning でのモジュール例外のトラブルシューティング

Azure Machine Learning Studio (クラシック) のモジュールを使用して発生する可能性のあるエラーメッセージと例外コードについて説明します。

問題を解決するには、この記事でエラーを探して、一般的な原因について確認します。 Studio (クラシック) でエラーメッセージの完全なテキストを取得するには、次の2つの方法があります。

  • 右側のウィンドウの [View Output Log](出力ログの表示) リンクをクリックして、一番下までスクロールします。 ウィンドウの最後の 2 行に、詳細なエラー メッセージが表示されます。

  • エラーのあるモジュールを選択し、赤い X をクリックします。関連するエラー テキストのみが表示されます。

エラー メッセージのテキストが役に立たない場合は、コンテキストおよび必要な追加または変更に関する情報をお送りください。 エラー トピックについてのフィードバックをお送りいただくか、Azure Machine Learning STUDIO フォーラムにアクセスして質問を投稿していただくことができます。

エラー 0001

データ セットで指定した列のうち 1 つまたは複数が見つからない場合、例外が発生します。

モジュールで列を選択していても、選択された列が入力データ セットに存在しない場合、このエラーを受け取ります。 このエラーは、列名を手入力した場合、または実験を実行したときにデータセットに存在しない列が列セレクターによって提案された場合、発生する可能性があります。

解決策: この例外がスローされているモジュールを見直し、列の名前 (1 つまたは複数) が正しいこと、および参照されているすべての列が存在することを確認します。

例外メッセージ
One or more specified columns were not found (指定された列のうち 1 つ以上が見つかりませんでした)
Column with name or index "{0}" not found (名前またはインデックス "{0}" の列が見つかりません)
Column with name or index "{0}" does not exist in "{1}" (名前またはインデックス "{0}" の列は "{1}" に存在しません)

エラー 0002

1 つまたは複数のパラメーターを解析できない場合、または指定された型からターゲット メソッドで必要な型に変換できない場合、例外が発生します。

Azure Machine Learning では、入力としてパラメーターを指定し、値の型が予想される型と異なり、暗黙的な変換を実行できない場合、このエラーが発生します。

解決策: モジュールの要件を確認し、必要な値の型を特定します (文字列、整数、倍精度浮動小数点数型など)

例外メッセージ
Failed to parse parameter (パラメーターを解析できませんでした)
Failed to parse "{0}" parameter ("{0}" パラメーターを解析できませんでした)
Failed to parse (convert) "{0}" parameter to "{1}" ("{0}" パラメーターを "{1}" に解析 (変換) できませんでした)
Failed to convert "{0}" parameter from "{1}" to "{2}" ("{0}" パラメーターを "{1}" から "{2}" に変換できませんでした)
Failed to convert "{0}" parameter value "{1}" from "{2}" to "{3}" ("{0}" パラメーターの値 "{1}" を "{2}" から "{3}" に変換できませんでした)
Failed to convert value "{0}" in column "{1}" from "{2}" to "{3}" with usage of the format "{4}" provided (指定された形式 "{4}" の使用方法で、列 "{1}" の値 "{0}" を "{2}" から "{3}" に変換できませんでした)

エラー 0003

1 つまたは複数の入力が null または空の場合、例外が発生します。

Azure Machine Learning では、モジュールに対するいずれかの入力またはパラメーターが null または空の場合、このエラーを受け取ります。 たとえば、パラメーターに値を入力しなかった場合、このエラーが発生する可能性があります。 欠損値のあるデータセットまたは空のデータセットを選択した場合にも、発生する可能性があります。

解決策:

  • 例外が発生したモジュールを開き、すべての入力が指定されていることを確認します。 すべての必須入力が指定されていることを確認します。
  • Azure ストレージから読み込まれるデータにアクセスできること、およびアカウント名またはキーが変更されていないことを確認します。
  • 入力データで欠損値または null 値を確認します。
  • データ ソースに対するクエリを使用している場合は、必要な形式でデータが返されることを確認します。
  • 入力ミスや、データの指定でのその他の変更を確認します。
例外メッセージ
One or more of inputs are null or empty (1 つまたは複数の入力が null または空です)
Input "{0}" is null or empty (入力 "{0}" が null または空です)

エラー 0004

パラメーターが特定の値以下の場合、例外が発生します。

Azure Machine Learning では、メッセージのパラメーターが、モジュールでデータを処理するために必要な境界値より小さい場合、このエラーを受け取ります。

解決策: 例外がスローされているモジュールを見直し、指定された値より大きくなるようにパラメーターを修正します。

例外メッセージ
Parameter should be greater than boundary value. (パラメーターは、境界値より大きい値にする必要があります。)
Parameter "{0}" value should be greater than {1}. (パラメーター "{0}" の値は "{1}" より大きくする必要があります。)
Parameter "{0}" has value "{1}" which should be greater than {2} (パラメーター "{0}" の値は "{1}" ですが、"{2}" より大きくする必要があります)

エラー 0005

パラメーターが特定の値より小さい場合、例外が発生します。

Azure Machine Learning では、メッセージのパラメーターが、モジュールでデータを処理するために必要な境界値以下の場合、このエラーを受け取ります。

解決策: 例外がスローされているモジュールを見直し、指定された値以上になるように、パラメーターを修正します。

例外メッセージ
Parameter should be greater than or equal to boundary value. (パラメーターは、境界値以上にする必要があります。)
Parameter "{0}" value should be greater than or equal to {1}. (パラメーター "{0}" の値は {1} 以上にする必要があります。)
Parameter "{0}" has value "{1}" which should be greater than or equal to {2}. (パラメーター "{0}" の値は "{1}" ですが、{2} 以上にする必要があります。)

エラー 0006

パラメーターが指定された値以上の場合、例外が発生します。

Azure Machine Learning では、メッセージのパラメーターが、モジュールでデータを処理するために必要な境界値以上の場合、このエラーを受け取ります。

解決策: 例外がスローされているモジュールを見直し、指定された値より小さくなるようにパラメーターを修正します。

例外メッセージ
Parameters mismatch. (パラメーターが一致しません。) One of the parameters should be less than another. (パラメーターの 1 つは他より小さくする必要があります。)
Parameter "{0}" value should be less than parameter "{1}" value. (パラメーター "{0}" の値はパラメーター "{1}" の値より小さくする必要があります。)
Parameter "{0}" has value "{1}" which should be less than {2}. (パラメーター "{0}" の値は "{1}" ですが、"{2}" より小さくする必要があります。)

エラー 0007

パラメーターが特定の値より大きい場合、例外が発生します。

Azure Machine Learning では、モジュールのプロパティで許容されるより大きい値を指定した場合、このエラーを受け取ります。 たとえば、サポートされる日付の範囲外にあるデータを指定した場合や、3 列のみ使用可能なときに 5 列を使用することを示した場合です。

何らかの方法で一致する必要があるデータの 2 つのセットを指定した場合も、このエラーが表示される可能性があります。 たとえば、列の名前を変更していて、インデックスで列を指定する場合、指定する名前の数と列インデックスの数が一致する必要があります。 もう 1 つの例として、2 つの列を使用する算術演算では、列に同じ数の行が含まれる必要があります。

解決策:

  • 問題のモジュールを開き、数値プロパティの設定を確認します。
  • すべてのパラメーター値が、そのプロパティに対してサポートされている値の範囲内にあることを確認します。
  • モジュールが複数の入力を受け取る場合は、入力が同じサイズであることを確認します。
  • モジュールに複数のプロパティを設定できる場合は、関連するプロパティに適切な値があることを確認してください。 たとえば、 グループデータをビンに使用する場合、オプションを使用してカスタムビンのエッジを指定する場合、ビンの数はビンの境界として指定した値の数と一致する必要があります。
  • データセットまたはデータ ソースが変更されたかどうかを確認します。 以前のバージョンのデータで動作していた値が、列の数、列のデータ型、またはデータのサイズを変更すると失敗することがあります。
例外メッセージ
Parameters mismatch. (パラメーターが一致しません。) One of the parameters should be less than another. (パラメーターの 1 つが他より小さい必要があります。)
Parameter "{0}" value should be less than or equal to parameter "{1}" value. (パラメーター "{0}" の値はパラメーター "{1}" の値以下である必要があります。)
Parameter "{0}" has value "{1}" which should be less than or equal to {2}. (パラメーター "{0}" の値は "{1}" ですが、{2} 以下にする必要があります。)

エラー 0008

パラメーターが範囲内にない場合、例外が発生します。

Azure Machine Learning では、メッセージのパラメーターがモジュールでデータを処理するために必要な境界の外側にある場合、このエラーを受け取ります。

たとえば、行の追加を使って列の数が異なる 2 つのデータセットを結合しようとすると、このエラーが表示されます。

解決策: 例外がスローされているモジュールを見直し、指定された範囲内になるようにパラメーターを修正します。

例外メッセージ
Parameter value is not in the specified range. (パラメーターの値が、指定された範囲内ではありません。)
Parameter "{0}" value is not in range. (パラメーター "{0}" の値が範囲内ではありません。)
Parameter "{0}" value should be in the range of [{1}, {2}]. (パラメーター "{0}" の値は、[{1}, {2}] の範囲内である必要があります。)

エラー 0009

Azure ストレージ アカウント名またはコンテナー名が正しく指定されていない場合、例外が発生します。

このエラーは Azure Machine Learning Studio (クラシック) で、Azure ストレージアカウントのパラメーターを指定した場合に発生しますが、名前またはパスワードを解決することはできません。 パスワードまたはアカウント名に関するエラーは、多くの理由で発生する可能性があります。

  • アカウントの種類が正しくありません。 一部の新しいアカウントの種類では、Machine Learning Studio (クラシック) での使用はサポートされていません。 詳しくは、「Import Data (データのインポート)」をご覧ください。
  • 正しくないアカウント名を入力しました
  • アカウントはもう存在しません
  • ストレージ アカウントのパスワードが間違っているか、変更されています
  • コンテナー名を指定していないか、コンテナーが存在しません
  • ファイルのパス (BLOB へのパス) を完全に指定していません

解決策:

このような問題は、アカウント名、パスワード、またはコンテナーのパスを手入力しようとすると発生することがよくあります。 データのインポート モジュールの新しいウィザードを使うことをお勧めします。名前の検索と確認に役立ちます。

また、アカウント、コンテナー、または BLOB が削除されているかどうかも確認します。 アカウント名とパスワードが正しく入力されたこと、およびコンテナーが存在することを確認するには、別の Azure ストレージ ユーティリティを使います。

Azure Machine Learning では、一部の新しいアカウントの種類はサポートされていません。 たとえば、新しい "ホット" または "コールド" ストレージの種類は、Machine Learning には使用できません。 従来のストレージ アカウントおよび "汎用" として作成されたストレージ アカウントはどちらも、正常に動作します。

BLOB への完全なパスを指定した場合は、パスが "コンテナー/BLOB 名" として指定されていること、およびコンテナーと BLOB の両方がアカウントに存在することを確認します。

パスの先頭にスラッシュを含めることはできません。 たとえば、 /container/blob は正しくなく、container/blob と入力する必要があります。

リソース

サポートされているさまざまなストレージオプションの説明については、「データのインポートモジュールを使用してさまざまなオンラインデータソースから Azure Machine Learning Studio (クラシック) にデータをインポートする」を参照してください。

サンプル実験

さまざまなデータソースに接続する方法の例については、 Cortana Intelligence Gallery の次の実験を参照してください。

例外メッセージ
The Azure storage account name or container name is incorrect. (Azure ストレージ アカウント名またはコンテナー名が正しくありません。)
The Azure storage account name "{0}" or container name "{1}" is incorrect; a container name of the format container/blob was expected. (Azure ストレージ アカウント名 "{0}" またはコンテナー名 "{1}" が正しくありません。コンテナー名は "コンテナー/BLOB" の形式であると予想されます。)

エラー 0010

入力データセットで一致している必要のある列名があっても、そうなっていない場合、例外が発生します。

Azure Machine Learning では、メッセージ内の列インデックスに対応する列名が 2 つの入力データセットで異なる場合、このエラーを受け取ります。

解決策: メタデータの編集を使うか、または元のデータセットを変更して指定された列インデックスの列名を同じにします。

例外メッセージ
Columns with corresponding index in input datasets have different names. (入力データセット内の対応するインデックスに伴う列の名前が異なります。)
Column names are not the same for column {0} (zero-based) of input datasets ({1} and {2} respectively). (入力データセット ({1} と {2}) それぞれの列 {0} (ゼロ ベース) に対する列の名前が同じではありません。)

エラー 0011

渡された列セット引数がデータセットのどの列にも適用されない場合、例外が発生します。

Azure Machine Learning では、指定された列の選択が指定されたデータセットのどの列とも一致しない場合、このエラーを受け取ります。

モジュールが動作するために少なくとも 1 つの列が必要なときに列が選択されていない場合も、このエラーが発生することがあります。

解決策: データセット内の列に適用されるように、モジュールでの列の選択を変更します。

特定の列 (ラベル列など) を選択する必要があるモジュールの場合、正しい列が選択されていることを確認します。

不適切な列が選択されている場合は、それらを削除し、実験を再実行します。

例外メッセージ
Specified column set does not apply to any of dataset columns. (指定された列セットは、データセットのどの列にも適用されません。)
Specified column set "{0}" does not apply to any of dataset columns. (指定された列セット "{0}" は、データセットのどの列にも適用されません。)

エラー 0012

渡された引数のセットでクラスのインスタンスを作成できなかった場合、例外が発生します。

解決策: このエラーはユーザーでは対処できず、将来のリリースで非推奨になります。

例外メッセージ
Untrained model, train model first. (未トレーニングのモデルです。先に、モデルをトレーニングしてください。)
Untrained model ({0}), use trained model. (未トレーニングのモデル ({0}) です。トレーニング済みのモデルを使用してください。)

エラー 0013

モジュールに渡された学習器が無効な種類の場合、例外が発生します。

このエラーは、トレーニング済みモデルと接続されたスコアリング モジュールとの間に互換性がないときに、常に発生します。 たとえば、 トレーニングマッチボックスレコメンダー の出力を スコアモデル ( スコアマッチボックスレコメンダーではなく) に接続すると、実験の実行時にこのエラーが発生します。

解決策:

トレーニング モジュールによって生成される学習器の種類を特定し、学習器に対する適切なスコアリング モジュールを決定します。

モデルが特別なトレーニング モジュールを使ってトレーニングされた場合、対応する特別なスコアリング モジュールにのみ、トレーニング済みモデルを接続します。

モデルの種類 トレーニング モジュール スコアリング モジュール
任意の分類子 モデルのトレーニング または モデルハイパーパラメーターのチューニング モデルのスコア付け
任意の回帰モデル モデルのトレーニング または モデルハイパーパラメーターのチューニング モデルのスコア付け
クラスタリング モデル クラスタリング モデルのトレーニングまたはクラスタリングのスイープ クラスターへのデータの割り当て
異常検出 - 1 クラス SVM 異常検出モデルのトレーニング モデルのスコア付け
異常検出 - PCA モデルのトレーニング または モデルハイパーパラメーターのチューニング モデルのスコア付け
モデルを評価するには、追加ステップがいくつか必要です。
異常検出 - 時系列 時系列の異常検出 モデルは、データからトレーニングされて、スコアを生成します。 モジュールでは、トレーニング済み学習器は作成されず、追加のスコアリングは必要ありません。
推奨モデル マッチボックス レコメンダーのトレーニング マッチボックス レコメンダーのスコアリング
画像の分類 事前トレーニング済みカスケード画像分類 モデルのスコア付け
Vowpal Wabbit モデル Vowpal Wabbit バージョン 7-4 モデルのトレーニング Vowpal Wabbit バージョン 7-4 モデルのスコアリング
Vowpal Wabbit モデル Vowpal Wabbit バージョン 7-10 モデルのトレーニング Vowpal Wabbit バージョン 7-10 モデルのスコアリング
Vowpal Wabbit モデル Vowpal Wabbit バージョン 8 モデルのトレーニング Vowpal Wabbit バージョン 8 モデルのスコアリング
例外メッセージ
Learner of invalid type is passed. (無効な種類の学習器が渡されました。)
Learner "{0}" has invalid type. (学習器 "{0}" は無効な種類です。)

エラー 0014

列の一意の値の数が許容されているより多い場合、例外が発生します。

このエラーは、列に含まれる一意の値の数が多すぎる場合に発生します。 たとえば、列がカテゴリ データとして処理するように指定されていても、列の一意の値が多すぎて処理を完了できない場合、このエラーが発生する可能性があります。 また、2 つの入力の間で一意の値の数が一致していない場合にも、このエラーが発生する可能性があります。

解決策:

エラーが発生したモジュールを開き、入力として使用されている列を特定します。 一部のモジュールでは、データセット入力を右クリックして [視覚化] を選択し、一意の値の数とその分布が含まれる個々の列の統計情報を取得できます。

グループ化または分類に使用する列の場合は、列の一意の値の数を減らすための手順を実行します。 列のデータ型に応じて、さまざまな方法で減らすことができます。

ヒント

シナリオに合った解決策が見つかりませんか。 このトピックのフィードバックとして、エラーが発生したモジュールの名前と、列のデータ型およびカーディナリティを提供してください。 その情報を使用して、一般的なシナリオに対してさらに対象を絞り込んだトラブルシューティング手順を提供します。

例外メッセージ
Number of column unique values is greater than allowed. (列の一意の値の数が許容される数を超えています。)
Number of unique values in column: "{0}" exceeds tuple count of {1}. (列 "{0}" の一意の値の数がタプルの数 {1} を超えています。)

エラー 0015

データベース接続が失敗した場合、例外が発生します。

正しくない SQL アカウント名、パスワード、データベース サーバー、またはデータベース名を入力した場合、またはデータベースやサーバーの問題が原因でデータベースとの接続を確立できない場合、このエラーを受け取ります。

解決策: アカウント名、パスワード、データベース サーバー、およびデータベースを正しく入力したこと、および指定したアカウントに適切なレベルのアクセス許可があることを確認します。 データベースが現在アクセス可能であることを確認します。

例外メッセージ
Error making database connection. (データベースとの接続でエラーが発生しました。)
Error making database connection: {0}. (データベースとの接続でエラーが発生しました: {0}。)

エラー 0016

モジュールに渡される入力データセットには互換性のある列の型が含まれる必要があっても、そうなっていない場合、例外が発生します。

Azure Machine Learning では、2 つ以上のデータセットで渡される列の型の間に互換性がない場合、このエラーを受け取ります。

解決策:メタデータの編集を使用するか、元の入力データセットを変更するか、または データセットへの変換を使用して、列の型に互換性があることを確認します。

例外メッセージ
Columns with corresponding index in input datasets do have incompatible types. (入力データセット内の対応するインデックスを伴う列に互換性のない型が含まれています。)
Columns {0} and {1} are incompatible. (列 {0} と {1} に互換性がありません。)
Column element types are not compatible for column {0} (zero-based) of input datasets ({1} and {2} respectively). (入力データセット ({1} と {2}) それぞれの列 {0} (ゼロ ベース) に対する列の要素の型に互換性がありません。)

エラー 0017

選択した列で現在のモジュールによってサポートされていないデータ型が使われている場合、例外が発生します。

Azure Machine Learning では、たとえば、列の選択にモジュールによって処理できないデータ型の列が含まれている場合 (算術演算に対する文字列型の列、カテゴリ特徴列が必要な場合のスコア列など)、このエラーを受け取る可能性があります。

解決策:

  1. 問題となっている列を特定します。
  2. モジュールの要件を確認します。
  3. 要件に準拠するように列を修正します。 列、および試みている変換によっては、次のモジュールをいくつか使用して変更を行うことが必要な場合があります。
    • メタデータの編集を使って、列のデータ型を変更するか、列の使用法を変更します (特徴から数値、カテゴリから非カテゴリなど)。
    • データ セットへの変換 を使用して、含まれるすべての列が Azure Machine Learning でサポートされているデータ型を使用していることを確認します。 列を変換できない場合は、入力データセットからそれらを削除することを検討してください。
    • [ SQL 変換の適用 または R スクリプトの実行 モジュールを使用して、 編集メタデータを使用して変更できない列をキャストまたは変換します。 これらのモジュールにより、datetime データ型を操作するための柔軟性が向上します。
    • 数値データ型の場合は、 算術演算の適用 モジュールを使用して値を丸めるか切り捨てるか、または クリップ値 モジュールを使用して範囲外の値を削除することができます。
  4. 最後の手段として、元の入力データセットの修正が必要になる可能性があります。

ヒント

シナリオに合った解決策が見つかりませんか。 このトピックのフィードバックとして、エラーが発生したモジュールの名前と、列のデータ型およびカーディナリティを提供してください。 その情報を使用して、一般的なシナリオに対してさらに対象を絞り込んだトラブルシューティング手順を提供します。

例外メッセージ
Cannot process column of current type. (現在の型の列を処理することができません。) The type is not supported by the module. (型がモジュールでサポートされていません。)
Cannot process column of type {0}. ({0} 型の列を処理できません。) The type is not supported by the module. (型がモジュールでサポートされていません。)
Cannot process column "{1}" of type {0}. ({0} 型の列 "{1}" を処理できません。) The type is not supported by the module. (型がモジュールでサポートされていません。)
Cannot process column "{1}" of type {0}. ({0} 型の列 "{1}" を処理できません。) The type is not supported by the module. (型がモジュールでサポートされていません。) Parameter name: {2} (パラメーター名: {2})

エラー 0018

入力データセットが有効でない場合、例外が発生します。

解決策: Azure Machine Learning ではこのエラーが多くのコンテキストで発生するので、解決策は 1 つではありません。 一般に、このエラーは、モジュールへの入力として提供されたデータの列の数が間違っていること、またはデータ型がモジュールの要件と一致しないことを示します。 次に例を示します。

  • モジュールにはラベル列が必要ですが、ラベルとしてマークされた列がないか、またはラベル列がまだ選択されていません。

  • モジュールではデータはカテゴリである必要がありますが、データが数値です。

  • モジュールには、特定のデータ型が必要です。 たとえば、 マッチボックスレコメンダーをトレーニング するために提供される評価には、数値またはカテゴリを指定できますが、浮動小数点数は使用できません。

  • データの形式が正しくありません。

  • インポートされたデータに、無効な文字、無効な値、または範囲外の値が含まれています。

  • 列が空か、または欠損値が多く含みすぎています。

要件およびデータをどうすればよいか確認するには、入力としてデータセットを使用するモジュールのヘルプ トピックをご覧ください。

また、データの 集計基本統計の計算 を使用してデータをプロファイルし、これらのモジュールを使用してメタデータを修正し、値をクリーンアップすることをお勧めします。メタデータの 編集欠損データのクリーニング、クリップの

例外メッセージ
Dataset is not valid. (データセットが無効です。)
{0} contains invalid data. ({0} に無効なデータが含まれています。)
{0} and {1} should be consistent column wise. ({0} と {1} は列単位で整合している必要があります。)

エラー 0019

並べ替えられた値が含まれると予想される列がそうなっていない場合、例外が発生します。

Azure Machine Learning では、指定された列の値が正しい順序になっていない場合、このエラーを受け取ります。

解決策: 入力データセットを手動で変更して列の値を並べ替えた後、モジュールを再実行します。

例外メッセージ
Values in column are not sorted. (列の値が並べ替えられていません。)
Values in column "{0}" are not sorted. (列 "{0}" の値が並べ替えられていません。)
Values in column "{0}" of dataset "{1}" are not sorted. (データセット "{1}" の列 "{0}" の値が並べ替えられていません。)

エラー 0020

モジュールに渡された一部のデータセットの列の数が少なすぎる場合、例外が発生します。

Azure Machine Learning では、モジュールに対して十分な列が選択されてされていない場合、このエラーを受け取ります。

解決策: モジュールを見直し、列セレクターで正しい数の列が選択されていることを確認します。

例外メッセージ
Number of columns in input dataset is less than allowed minimum. (入力データセット内の列数が、許容される最少数未満です。)
Number of columns in input dataset is less than allowed minimum of {0} column(s). (入力データセット内の列数が、{0} 列の許容される最少数未満です。)
Number of columns in input dataset "{0}" is less than allowed minimum of {1} column(s). (入力データセット "{0}" 内の列数が、{1} 列の許容される最少数未満です。)

エラー 0021

モジュールに渡された一部のデータセットの行の数が少なすぎる場合、例外が発生します。

Azure Machine Learning では、指定された操作を実行しても、十分な行がデータセット内にない場合、このエラーが表示されます。 たとえば、入力データセットが空の場合、または最少数の行を有効にするために必要な操作を実行しようとした場合、このエラーが表示される可能性があります。 そのような操作の例としては、統計的手法に基づくグループ化や分類、特定の種類のビン分割、カウントを使用した学習などがあります。

解決策:

  • エラーを返したモジュールを開き、入力データセットとモジュールのプロパティを確認します。
  • 入力データセットが空ではないこと、およびモジュールのヘルプで説明されている要件を満たすのに十分な行数のデータがあることを確認します。
  • データが外部ソースから読み込まれる場合は、データ ソースが使用可能であること、およびインポート処理で取得される行数が少なくなる原因となるエラー、またはデータ定義の変更がないことを確認します。
  • データの型や値の数に影響する可能性のある操作 (クリーニング、分割、結合操作など) をモジュールのデータ アップストリームで実行している場合は、それらの操作の出力を調べて、返される行数を確認します。

エラー 0022

入力データセットで選択された列の数が、予想される数と等しくない場合、例外が発生します。

Azure Machine Learning では、ダウンストリームのモジュールまたは操作で特定の数の列または入力が必要なときに、提供する列または入力が多すぎるか少なすぎる場合、このエラーが発生します。 次に例を示します。

  • 1 つのラベル列またはキー列を指定するときに、誤って複数の列を選択している。

  • 列の名前を変更するときに、列より多い、または少ない数の名前を指定した。

  • ソースまたはターゲットの列の数が変更された、またはモジュールによって使用される列の数と一致しない。

  • 入力に対して値のコンマ区切りリストを指定したが、値の数が一致しない、または複数の入力がサポートされていない。

解決策: モジュールを見直し、列の選択を調べて、正しい数の列が選択されていることを確認します。 アップストリームのモジュールの出力と、ダウンストリームの操作の要件を確認します。

複数の列を選択できる列選択オプションのいずれかを使った場合 (列のインデックス、すべての特徴、すべての数字など)、選択によって返される列の正確な数を確認します。

データセットのコンマ区切りリストを入力として指定し、 Zip 形式のデータセットをアンパックする場合は、一度に1つのデータセットのみをアンパックします。 複数の入力はサポートされていません。

アップストリームの列の数または型が変更されていないことを確認します。

推奨データセットを使ってモデルをトレーニングしている場合、レコメンダーでは、ユーザーと項目のペアまたはユーザーと項目とランキングに対応する限られた列数が予想されることに忘れないでください。 モデルをトレーニングする前、または推奨データセットを分割する前に、追加の列を削除します。 詳しくは、「Split Data (データの分割)」をご覧ください。

例外メッセージ
Number of selected columns in input dataset does not equal to the expected number. (入力データセットで選択された列の数が、予想される数と等しくありません。)
Number of selected columns in input dataset does not equal to {0}. (入力データセットで選択された列の数が、{0} と等しくありません。)
Column selection pattern "{0}" provides number of selected columns in input dataset not equal to {1}. (列選択パターン "{0}" で提供される入力データセット内で選択される列の数が、{1} と等しくありません。)
Column selection pattern "{0}" is expected to provide {1} column(s) selected in input dataset, but {2} column(s) is/are provided. (列選択パターン "{0}" では入力データセットの {1} 列が提供されると予想されますが、提供されるのは {2} 列です。)

エラー 0023

入力データセットのターゲット列が現在のトレーナー モジュールに対して有効ではない場合、例外が発生します。

Azure Machine Learning では、(モジュールのパラメーターで選択されている) ターゲット列が、有効なデータ型ではない場合、欠損値がすべて含まれる場合、または予想されるカテゴリではない場合、このエラーが発生します。

解決策: モジュールの入力を見直し、ラベル/ターゲット列の内容を調べます。 欠損の値がすべてないことを確認します。 モジュールでターゲット列がカテゴリである必要がある場合、ターゲット列に複数の個別値があることを確認します。

例外メッセージ
Input dataset has unsupported target column. (入力データセットにサポートされていないターゲット列があります。)
Input dataset has unsupported target column "{0}". (入力データセットにサポートされていないターゲット列 "{0}" があります。)
Input dataset has unsupported target column "{0}" for learner of type {1}. (入力データセットに "{1}" 型の学習器に対してサポートされていないターゲット列 "{0}" があります。)

エラー 0024

データセットにラベル列が含まれていない場合、例外が発生します。

Azure Machine Learning では、モジュールでラベル列が必要であってもデータセットにラベル列がない場合、このエラーが発生します。 たとえば、スコアリングされたデータセットの評価では、通常、正確さのメトリックを計算するためにラベル列が存在する必要があります。

また、ラベル列がデータセットに存在していても、Azure Machine Learning によって正しく検出されない場合にも、発生することがあります。

解決策:

  • エラーを生成したモジュールを開き、ラベル列が存在するかどうかを確認します。 予測しようとしている単一の結果 (または従属変数) が列に含まれてさえいれば、列の名前またはデータ型は関係ありません。 どの列にラベルがあるか不明な場合は、クラスターゲット などの汎用的な名前を探します。
  • データセットにラベル列が含まれていない場合は、ラベル列がアップストリームで明示的に、または誤って削除された可能性があります。 また、データセットがアップストリームのスコアリング モジュールの出力ではない可能性もあります。
  • ラベル列として列を明示的にマークするには、メタデータの編集モジュールを追加して、データセットを接続します。 ラベル列だけを選択し、 [フィールド] ドロップダウン リストから [ラベル] を選択します。
  • 間違った列をラベルとして選択した場合は、 [フィールド] から [ラベルのクリア] を選択して、列のメタデータを修正できます。
例外メッセージ
There is no label column in dataset. (データセットにラベル列がありません。)
There is no label column in "{0}". ("{0}" にラベル列がありません。)

エラー 0025

データセットにスコア列が含まれていない場合、例外が発生します。

Azure Machine Learning では、評価モデルへの入力に有効なスコア列が含まれていない場合、このエラーが発生します。 たとえば、適切なトレーニング済みモデルでデータセットがスコアリングされる前にユーザーがデータセットを評価しようとしているか、またはアップストリームでスコア列が明示的に削除されています。 2 つのデータセットのスコア列に互換性がない場合も、この例外が発生します。 たとえば、線形リグレッサーとバイナリ分類器の精度を比較しようとしている可能性があります。

解決策: 評価モデルへの入力を見直し、スコア列が 1 つ以上含まれているかどうかを調べます。 そうでない場合、データセットがスコアリングされなかったか、またはアップストリームのモジュールでスコア列が削除されています。

例外メッセージ
There is no score column in dataset. (データセットにスコア列がありません。)
There is no score column in "{0}". ("{0}" にスコア列がありません。)
There is no score column in "{0}" that is produced by a "{1}". ("{1}" によって生成されたスコア列が "{0}" にありません。) Score the dataset using the correct type of learner. (適切な種類の学習器を使用してデータセットをスコアリングしてください。)

エラー 0026

同じ名前の列が許可されていない場合、例外が発生します。

Azure Machine Learning では、複数の列の名前が同じ場合、このエラーが発生します。 このエラーを受け取る方法の 1 つとして、データセットにヘッダー行がなく、次のような列名が自動的に割り当てられる場合があります。(Col0、Col1 など)

解決策: 複数の列に同じ名前が付けられている場合は、入力データセットとモジュールの間に メタデータの編集モジュールを挿入します。 メタデータの編集で列セレクターを使って名前を変更する列を選択し、 [新しい列名] テキスト ボックスに新しい名前を入力します。

例外メッセージ
Equal column names are specified in arguments. (同じ列名が引数で指定されています。) Equal column names are not allowed by module. (モジュールでは同じ列名は許可されません。)
Equal column names in arguments "{0}" and "{1}" are not allowed. (引数 "{0}" と "{1}" での同じ列名は許可されません。) Specify different names. (異なる名前を指定してください。)

エラー 0027

同じサイズでなければならない 2 つのオブジェクトのサイズが異なる場合、例外が発生します。

これは Azure Machine Learning の一般的なエラーであり、多くの状況で発生することがあります。

解決策: 特定の解決策はありません。 ただし、次のような状況を確認できます。

  • 列の名前を変更する場合、各リスト (入力列と新しい名前の一覧) に同じ数の項目があることを確認します。

  • 2 つのデータセットを結合または連結する場合、同じスキーマであることを確認します。

  • 複数の列を含む 2 つのデータセットを結合する場合は、キー列が同じデータ型であることを確認し、 [Allow duplicates and preserve column order in selection](選択範囲内で重複を許可し、順序を維持する) オプションを選択します。

例外メッセージ
The size of passed objects is inconsistent. (渡されたオブジェクトのサイズが一致していません。)
The size of "{0}" is inconsistent with size of "{1}". ("{0}" のサイズが "{1}" のサイズと異なります。)

エラー 0028

列セットに重複する列名が含まれていて、それが許可されない場合、例外が発生します。

Azure Machine Learning では、列名が重複している場合、つまり一意ではない場合、このエラーが発生します。

解決策: 同じ名前の列がある場合は、入力データセットと、エラーが発生したモジュールの間に、メタデータの編集のインスタンスを追加します。 メタデータの編集で列セレクターを使って名前を変更する列を選択し、 [新しい列名] テキスト ボックスに新しい列名を入力します。 複数の列の名前を変更する場合は、 [新しい列名] に入力する値が一意であることを確認します。

例外メッセージ
Column set contains duplicated column name(s). (列セットに重複する列名が含まれます。)
The name "{0}" is duplicated. (名前 "{0}" が重複しています。)
The name "{0}" is duplicated in "{1}". ("{1}" で名前 "{0}" が重複しています。)

エラー 0029

無効な URI が渡された場合、例外が発生します。

Azure Machine Learning では、無効な URI が渡された場合、このエラーが発生します。 次のいずれかの状況になった場合、このエラーを受け取ります。

  • 読み取りまたは書き込みのために Azure Blob Storage に対して提供されたパブリック URI または SAS URI に、エラーが含まれます。

  • SAS の時間枠の期限が切れています。

  • HTTP ソースによる Web URL が、ファイルまたはループバック URI を表しています。

  • HTTP による Web URL に、正しくない形式の URL が含まれています。

  • リモート ソースで URL を解決できません。

解決策: モジュールを見直し、URI の形式を検証します。 データ ソースが HTTP による Web URL の場合は、目的のソースがファイルまたはループバック URI (localhost) ではないことを確認します。

例外メッセージ
Invalid Uri is passed. (無効な URI が渡されました。)

エラー 0030

ファイルをダウンロードできない場合、例外が発生します。

Azure Machine Learning では、ファイルをダウンロードできない場合、この例外が発生します。 再試行の試みが 3 回失敗した後に HTTP ソースからの読み取りの試みが失敗すると、この例外を受け取ります。

解決策: HTTP ソースに対する URI が正しいこと、および現在インターネット経由でサイトにアクセスできることを確認します。

例外メッセージ
Unable to download a file. (ファイルをダウンロードできません。)
Error while downloading the file: {0}. (ファイル {0} のダウンロードでエラーが発生しました。)

エラー 0031

列セット内の列の数が必要とされるより少ない場合、例外が発生します。

Azure Machine Learning では、選択された列の数が必要とされるより少ない場合、このエラーが発生します。 必要最少数の列が選択されていない場合、このエラーを受け取ります。

解決策: 列セレクター を使って、列の選択に列を追加します。

例外メッセージ
Number of columns in column set is less than required. (列セット内の列の数が必要な数に達していません。)
{0} column(s) should be specified. ({0} 列を指定する必要があります。) The actual number of specified columns is {1}. (実際に指定された列の数は {1} です。)

エラー 0032

引数が数値ではない場合、例外が発生します。

Azure Machine Learning では、引数が倍精度浮動小数点数型または NaN の場合、このエラーを受け取ります。

解決策: 有効な値を使うように、指定された引数を修正します。

例外メッセージ
Argument is not a number. (引数が数値ではありません。)
"{0}" is not a number. ("{0}" が数値ではありません。)

エラー 0033

引数が無限である場合、例外が発生します。

Azure Machine Learning では、引数が無限である場合、このエラーが発生します。 引数が double.NegativeInfinity または double.PositiveInfinity のいずれかの場合、このエラーを受け取ります。

解決策: 有効な値になるように、指定された引数を修正します。

例外メッセージ
Argument is must be finite. (引数は有限である必要があります。)
"{0}" is not finite. ("{0}" が有限ではありません。)

エラー 0034

特定のユーザーと項目のペアに対して複数の評価が存在する場合、例外が発生します。

Azure Machine Learning では、ユーザーと項目のペアに複数の評価値がある場合、推奨でこのエラーが発生します。

解決策: ユーザーと項目のペアで評価値が 1 つのみ所有されていることを確認します。

例外メッセージ
More than one rating exists for the value(s) in dataset. (データセット内の値に対して複数の評価が存在します。)
More than one rating for user {0} and item {1} in rating prediction data table. (評価予測データ テーブルにユーザー {0} と項目 {1} に対して複数の評価が存在します。)

エラー 0035

特定のユーザーまたは項目に対して特徴が提供されなかった場合、例外が発生します。

Azure Machine Learning では、スコアリングに対して推奨モデルを使おうとしていても、特徴ベクターが見つからない場合、このエラーが発生します。

解決策:

マッチボックス レコメンダーには、項目の特徴またはユーザーの特徴のいずれかを使うときに満たす必要がある特定の要件があります。 このエラーは、入力として指定したユーザーまたは項目に特徴ベクターがないことを示します。 各ユーザーまたは項目のデータで特徴ベクターが使用できることを確認する必要があります。

たとえば、ユーザーの年齢、場所、収入などの特徴を使って推奨モデルをトレーニングしたものの、トレーニング中に認識されなかった新しいユーザーのスコアを作成する場合、それらを適切に予測するには、新しいユーザーに対する同等の特徴のセット (つまり、年齢、場所、収入の値) を指定する必要があります。

これらのユーザーに対する特徴がない場合は、適切な特徴を生成するための特徴エンジニアリングを検討します。 たとえば、個々のユーザーの年齢や収入の値がない場合は、ユーザーのグループに対して使用するおおよその値を生成する場合があります。

推奨設定モードからスコアを付けている場合は、以前に項目またはユーザーの機能をトレーニング中に使用した場合にのみ、項目またはユーザーの機能を使用できます。 詳細については、「 スコアマッチボックスレコメンダー」を参照してください。

Matchbox 勧告アルゴリズムのしくみ、および項目の特徴またはユーザー機能のデータセットを準備する方法に関する一般的な情報については、「 マッチボックスレコメンダーのトレーニング」を参照してください。

ヒント

解決策が自分のケースに該当しませんか。 この記事のフィードバックを送信し、モジュールや列の行数など、シナリオについての情報を提供してください。 この情報を使用して、今後さらに詳細なトラブルシューティング手順を提供します。

例外メッセージ
No features were provided for a required user or item. (必要なユーザーまたは項目に特徴が提供されませんでした。)
Features for {0} required but not provided. ({0} の特徴が必要ですが提供されていません。)

エラー 0036

特定のユーザーまたは項目に対して複数の特徴ベクターが提供された場合、例外が発生します。

Azure Machine Learning では、特徴ベクターが複数回定義された場合、このエラーが発生します。

解決策: 特徴ベクターが複数回定義されていないことを確認します。

例外メッセージ
Duplicate feature definition for a user or item. (ユーザーまたは項目に対する特徴の定義が重複しています。)
Duplicate feature definition for {0}. ({0} に対する特徴の定義が重複しています。)

エラー 0037

複数のラベル列が指定されているときに、ラベル列が 1 つのみ許可される場合、例外が発生します。

Azure Machine Learning では、新しいラベル列として複数の列が選択された場合、このエラーが発生します。 ほとんどの教師あり学習アルゴリズムでは、1 つの列がターゲットまたはラベルとしてマークされている必要があります。

解決策: 新しいラベル列として 1 つの列を選択します。

例外メッセージ
Multiple label columns are specified. (複数のラベル列が指定されています。)

エラー 0038

予想される要素の数が厳密に要求される値と等しくない場合、例外が発生します。

Azure Machine Learning では、予想される要素の数が厳密な値である必要があっても、そうなっていない場合、このエラーが発生します。 要素の数が有効な予想される値と等しくない場合、このエラーが発生します。

解決策: 正しい数の要素を持つように入力を変更します。

例外メッセージ
Number of elements is not valid. (要素の数が有効ではありません。)
Number of elements in "{0}" is not valid. ("{0}" の要素の数が有効ではありません。)
Number of elements in "{0}" is not equal to valid number of {1} element(s). ("{0}" の要素の数が {1} 要素の有効な数と等しくありません。)

エラー 0039

操作が失敗した場合、例外が発生します。

Azure Machine Learning では、内部操作を完了できない場合、このエラーが発生します。

解決策: このエラーは多くの状況によって発生し、特定の解決策はありません。
次の表はこのエラーに対する一般的なメッセージであり、後で状況について具体的に説明します。

使用可能な詳細情報がない場合は、フィードバックを送信して、エラーが発生したモジュールおよび関連する状況に関する情報を提供してください。

例外メッセージ
操作に失敗しました。
Error while completing operation: {0}. (操作の実行中にエラーが発生しました: {0}。)

エラー 0040

非推奨のモジュールを呼び出すと、例外が発生します。

Azure Machine Learning では、非推奨のモジュールを呼び出すと、このエラーが生成されます。

解決策: 非推奨のモジュールを、サポートされているものに置き換えます。 代わりに使用するモジュールに関する情報については、モジュールの出力ログをご覧ください。

例外メッセージ
Accessing deprecated module. (非推奨のモジュールにアクセスしています。)
Module "{0}" is deprecated. (モジュール "{0}" は非推奨です。) Use module "{1}" instead. (代わりにモジュール "{0}" を使用してください。)

エラー 0041

非推奨のモジュールを呼び出すと、例外が発生します。

Azure Machine Learning では、非推奨のモジュールを呼び出すと、このエラーが生成されます。

解決策: 非推奨のモジュールを、サポートされているモジュールのセットで置き換えます。 この情報は、モジュールの出力ログで示されます。

例外メッセージ
Accessing deprecated module. (非推奨のモジュールにアクセスしています。)
Module "{0}" is deprecated. (モジュール "{0}" は非推奨です。) Use the modules "{1}" for requested functionality. (要求された機能に対してはモジュール "{0}" を使用してください。)

エラー 0042

列を別の型に変換できないと、例外が発生します。

Azure Machine Learning では、列を指定された型に変換できない場合、このエラーが発生します。 モジュールで特定のデータ型 (日時、テキスト、浮動小数点数、整数など) が必要であっても、既存の列を必要な型に変換できない場合、このエラーが発生します。

たとえば、列を選択し、算術演算で使用するために数値データ型に変換しようとした場合、列に無効なデータが含まれていると、このエラーが発生する可能性があります。

このエラーが発生する可能性のあるもう 1 つの理由としては、浮動小数点数または多くの一意の値が含まれる列をカテゴリ列として使おうとする場合です。

解決策:

  • エラーが生成されたモジュールのヘルプ ページを開き、データ型の要件を確認します。
  • 入力データセットで列のデータ型を確認します。
  • いわゆるスキーマレス データ ソースで発生するデータを調べます。
  • 目的のデータ型への変換を妨げる可能性がある欠損値または特殊文字がないか、データセットを確認します。
    • 数値データ型は一貫している必要があります。たとえば、整数の列で浮動小数点数を確認します。
    • 数値列でテキスト文字列または NA 値を探します。
    • ブール値は、必要なデータ型に応じて、適切な表現に変換できます。
    • 非 Unicode 文字、タブ文字、または制御文字がないか、テキスト列を調べます
    • モデリング エラーを回避するには日時データが一貫している必要がありますが、形式が多いためクリーンアップが複雑になることがあります。 クリーンアップを実行するには、 R スクリプトの実行 モジュールまたは Python スクリプトの実行 モジュールを使用することを検討してください。
  • 必要な場合は、列を正常に変換できるように、入力データセット内の値を修正します。 修正には、ビン分割、切り捨てまたは丸め処理、外れ値の削除、または欠損値の補完などがあります。 機械学習での一般的なデータ変換シナリオについては、次の記事をご覧ください。

ヒント

解決策がわからない、または自分のケースに該当しませんか。 この記事のフィードバックを送信し、モジュールや列のデータ型など、シナリオについての情報を提供してください。 この情報を使用して、今後さらに詳細なトラブルシューティング手順を提供します。

例外メッセージ
Not allowed conversion. (変換は許可されていません。)
Could not convert column of type {0} to column of type {1}. ({0} 型の列を {1} 型の列に変換できませんでした。)
Could not convert column "{2}" of type {0} to column of type {1}. ({0} 型の列 "{2}" を {1} 型の列に変換できませんでした。)
Could not convert column "{2}" of type {0} to column "{3}" of type {1}. ({0} 型の列 "{2}" を {1} 型の列 "{3}" に変換できませんでした。)

エラー 0043

要素の型で Equals が明示的に実装されていない場合、例外が発生します。

Azure Machine Learning ではこのエラーは使用されておらず、非推奨になります。

解決策: [なし] :

例外メッセージ
No accessible explicit method Equals found. (アクセス可能な明示的な Equals メソッドが見つかりません。)
Cannot compare values for column \"{0}\" of type {1}. ({1} 型の列 "{0}" の値を比較できません。) No accessible explicit method Equals found. (アクセス可能な明示的な Equals メソッドが見つかりません。)

エラー 0044

既存の値から列の要素型を派生できないと、例外が発生します。

Azure Machine Learning では、データセットの 1 つまたは複数の列の型を推論できない場合、このエラーが発生します。 これは通常、要素型が異なる複数のデータセットを連結するときに発生します。 Azure Machine Learning では、情報を失うことなく、複数の列のすべての値を表すことができる一般的な型を決定できない場合、このエラーが生成されます。

解決策: 結合される両方のデータセットの特定の列のすべての値が、同じ型であるか (数値、ブール値、カテゴリ、文字列、日付など)、または同じ型に変換できることを確認します。

例外メッセージ
Cannot derive element type of the column. (列の要素型を派生できません。)
Cannot derive element type for column "{0}" -- all the elements are null references. (列 "{0}" の要素型を派生できません -- すべての要素が null 参照です。)
Cannot derive element type for column "{0}" of dataset "{1}" -- all the elements are null references. (データセット "{1}" の列 "{0}" の要素型を派生できません -- すべての要素が null 参照です。)

エラー 0045

ソースでの混合要素型のため列を作成できないと、例外が発生します。

Azure Machine Learning では、結合される 2 つのデータセットの要素型が異なる場合、このエラーが生成されます。

解決策: 結合される両方のデータセットの特定の列のすべての値が、同じ型 (数値、ブール値、カテゴリ、文字列、日付など) であることを確認します。

例外メッセージ
Cannot create column with mixed element types. (混合要素型の列は作成できません。)
Cannot create column with ID "{0}" of mixed element types:\n\tType of data[{1}, {0}] is {2}\n\tType of data[{3}, {0}] is {4}. (混合要素型の ID "{0}" の列を作成できません。データ [{1}, {0}] の \n\t 型は {2}\n\t ですデータ [{3}, {0}] の型は {4} です。)

エラー 0046

指定されたパスにディレクトリを作成できないと、例外が発生します。

Azure Machine Learning では、指定されたパスにディレクトリを作成できない場合、このエラーが発生します。 Hive クエリの出力ディレクトリへのパスのいずれかの部分が正しくない、またはアクセスできない場合、このエラーが発生します。

解決策: モジュールを見直し、ディレクトリ パスの形式が正しいこと、および現在の資格情報でアクセス可能であることを検証します。

例外メッセージ
Specify a valid output directory. (有効な出力ディレクトリを指定してください。)
Directory: {0} cannot be created. (ディレクトリ {0} は作成できません。) Specify valid path. (有効なパスを指定してください。)

エラー 0047

モジュールに渡された一部のデータセットの特徴列の数が少なすぎる場合、例外が発生します。

Azure Machine Learning では、トレーニングへの入力データセットにアルゴリズムで必要とされる最少数の列が含まれない場合、このエラーが発生します。 通常、データセットが空か、トレーニング列のみが含まれています。

解決策: 入力データセットを再確認して、ラベル列とは別の列が1つ以上あることを確認します。

例外メッセージ
Number of feature columns in input dataset is less than allowed minimum. (入力データセット内の特徴列の数が許容される最少数未満です。)
Number of feature columns in input dataset is less than allowed minimum of {0} column(s). (入力データセット内の特徴列の数が、{0} 列の許容される最少数未満です。)
Number of feature columns in input dataset "{0}" is less than allowed minimum of {1} column(s). (入力データセット "{0}" 内の特徴列の数が、{1} 列の許容される最少数未満です。)

エラー 0048

ファイルを開くことができない場合、例外が発生します。

Azure Machine Learning では、読み取りまたは書き込み用のファイルを開くことができない場合、このエラーが発生します。 このエラーは、次の理由で発生する可能性があります。

  • コンテナーまたはファイル (BLOB) が存在しない

  • ファイルまたはコンテナーのアクセス レベルで、ファイルへのアクセスが許可されていない

  • ファイルが大きすぎて読み取ることができないか、または形式が正しくない

解決策: モジュールおよび読み取ろうとしているファイルを見直します。

コンテナーとファイルの名前が正しいことを確認します。

クラシック Azure portal または Azure ストレージ ツールを使って、ファイルにアクセスするためのアクセス許可があることを確認します。

イメージファイルを読み取る場合は、サイズ、ピクセル数などのイメージファイルの要件を満たしていることを確認してください。 詳細については、「 イメージのインポート」を参照してください。

例外メッセージ
Unable to open a file. (ファイルを開くことができません。)
Error while opening the file: {0}. (ファイルを開くときにエラーが発生しました: {0}。)

エラー 0049

ファイルを解析できない場合、例外が発生します。

Azure Machine Learning では、ファイルを解析することができない場合、このエラーが発生します。 データのインポート モジュールで選択されているファイル形式がファイルの実際の形式と一致しない場合、またはファイルに認識できない文字が含まれている場合、このエラーが発生します。

解決策: モジュールを見直し、ファイル形式の選択がファイルの形式と一致しない場合は修正します。 可能であれば、ファイルを調べて、無効な文字が含まれていないことを確認します。

例外メッセージ
Unable to parse a file. (ファイルを解析できません。)
Error while parsing the file: {0}. (ファイルの解析中にエラーが発生しました: {0}。)

エラー 0050

入力ファイルと出力ファイルが同じ場合、例外が発生します。

解決策: Azure Machine Learning でのこのエラーは使用されていないため、非推奨とされます。

例外メッセージ
入力と出力に同じファイルを指定することはできません。

エラー 0051

複数の出力ファイルが同じ場合、例外が発生します。

解決策: Azure Machine Learning でのこのエラーは使用されていないため、非推奨とされます。

例外メッセージ
Specified files for outputs cannot be the same. (出力に同じファイルを指定することはできません。)

エラー 0052

正しくない Azure ストレージ アカウント キーが指定された場合、例外が発生します。

Azure Machine Learning では、Azure ストレージ アカウントへのアクセスに使用するキーが正しくない場合、このエラーが発生します。 たとえば、コピーして貼り付けるときに Azure ストレージ キーが切り捨てられた場合、または間違ったキーを使用した場合、このエラーが表示される可能性があります。

Azure ストレージ アカウントのキーの取得方法について詳しくは、ストレージ アクセス キーの表示、コピー、再生成に関する記事をご覧ください。

解決策: モジュールを見直し、Azure ストレージ キーがアカウントに対して正しいことを確認します。必要な場合は、クラシック Azure portal からキーをもう一度コピーします。

例外メッセージ
The Azure storage account key is incorrect. (Azure ストレージ アカウント キーが正しくありません。)

エラー 0053

マッチボックスの推奨に対するユーザーの特徴や項目がない場合、例外が発生します。

Azure Machine Learning では、特徴ベクターが見つからないと、このエラーが生成されます。

解決策: 入力データセットに特徴ベクターが存在することを確認します。

例外メッセージ
User features or/and items are required but not provided. (ユーザーの特徴や項目が必要ですが提供されていません。)

エラー 0054

列の個別値が少なすぎて操作を完了できない場合、例外が発生します。

解決策: Azure Machine Learning でのこのエラーは使用されていないため、非推奨とされます。

例外メッセージ
Data has too few distinct values in the specified column to complete operation. (指定された列のデータの個別値が少なすぎるため操作を完了できません。)
Data has too few distinct values in the specified column to complete operation. (指定された列のデータの個別値が少なすぎるため操作を完了できません。) The required minimum is {0} elements. (少なくとも {0} 個の要素が必要です。)
Data has too few distinct values in the column "{1}" to complete operation. (列 "{0}" のデータの個別値が少なすぎるため操作を完了できません。) The required minimum is {0} elements. (少なくとも {0} 個の要素が必要です。)

エラー 0055

非推奨のモジュールを呼び出すと、例外が発生します。

Azure Machine Learning では、非推奨になっているモジュールを呼び出そうとすると、このエラーが表示されます。

解決策:

例外メッセージ
Accessing deprecated module. (非推奨のモジュールにアクセスしています。)
Module "{0}" is deprecated. (モジュール "{0}" は非推奨です。)

エラー 0056

操作に対して選択した列が要件に違反している場合、例外が発生します。

Azure Machine Learning では、特定のデータ型の列が必要な操作に対して列を選択する場合、このエラーが発生します。

このエラーは、列のデータ型が正しくても、列が特徴列、ラベル列、またはカテゴリ列としてもマークされる必要のあるモジュールを使用している場合に発生する可能性があります。

たとえば、" インジケーター値に変換 " モジュールでは、列がカテゴリになっている必要があります。特徴列またはラベル列を選択すると、このエラーが発生します。

解決策:

  1. 現在選択されている列のデータ型を見直します。

  2. 選択した列がカテゴリ列、ラベル列、または特徴列かどうかを確認します。

  3. 列を選択したモジュールのヘルプ トピックを調べて、データ型または列の使用方法について特定の要件があるかどうかを確認します。

  4. メタデータの編集を使って、この操作を行っている間、列の型を変更します。 ダウンストリームの操作で列が必要な場合は、メタデータの編集の別のインスタンスを使って、忘れずに列の型を元の値に戻します。

例外メッセージ
One or more selected columns were not in an allowed category. (選択した列の 1 つ以上が、許可されたカテゴリに含まれませんでした。)
Column with name "{0}" is not in an allowed category. (名前 "{0}" の列は、許可されたカテゴリにありません。)

エラー 0057

既に存在しているファイルまたは BLOB を作成しようとすると、例外が発生します。

データのエクスポート モジュールまたは他のモジュールを使って Azure Machine Learning での実験の結果を Azure Blob Storage に保存するときに、既に存在しているファイルまたは BLOB を作成しようとすると、この例外が発生します。

解決策:

以前に [Azure blob storage write mode](Azure Blob Storage 書き込みモード) プロパティを [エラー] に設定した場合にのみ、このエラーを受け取ります。 仕様により、このモジュールでは既に存在する BLOB にデータセットを書き込もうとするとエラーが発生します。

  • モジュールのプロパティを開き、 [Azure blob storage write mode](Azure Blob Storage 書き込みモード) プロパティを [上書き] に変更します。
  • または、書き込み先の BLOB またはファイルとして別の名前を入力し、必ずまだ存在していない BLOB を指定します。
例外メッセージ
File or Blob already exists. (ファイルまたは BLOB は既に存在しています。)
File or Blob "{0}" already exists. (ファイルまたは BLOB "{0}" は既に存在しています。)

エラー 0058

Azure Machine Learning では、予想されるラベル列がデータセットに含まれない場合、このエラーが発生します。

この例外は、指定されたラベル列が、学習器で予想されているデータやデータ型と一致しない場合、または正しくない値を含む場合に発生する可能性もあります。 たとえば、バイナリ分類器をトレーニングするときに、実数値のラベル列を使うと、この例外が生成されます。

解決策: 解決策は、使用している学習器やトレーナー、およびデータセット内の列のデータ型によって異なります。 最初に、機械学習アルゴリズムまたはトレーニング モジュールの要件を確認します。

入力データセットを見直します。 ラベルとして扱う予定の列に、作成しているモデルに対して正しいデータ型が含まれることを確認します。

欠損値がないか入力を確認し、必要に応じてそれらを除去または置換します。

必要な場合は、メタデータの編集モジュールを追加し、ラベル列をラベルとして確実にマークします。

例外メッセージ
The label column is not as expected (ラベル列が予想されているとおりではありません)
The label column is not as expected in "{0}". (ラベル列が "{0}" で予想されているとおりではありません。)
The label column "{0}" is not expected in "{1}". (ラベル列 "{0}" は "{1}" で予想されていません。)

エラー 0059

列ピッカーで指定されている列インデックスを解析できない場合、例外が発生します。

Azure Machine Learning では、列セレクターを使って指定された列インデックスを解析できない場合、このエラーが発生します。 列インデックスが解析できない無効な形式の場合、このエラーを受け取ります。

解決策: 有効なインデックス値を使うように、列インデックスを修正します。

例外メッセージ
One or more specified column indexes or index ranges could not be parsed. (指定された 1 つまたは複数の列インデックスまたはインデックス範囲を解析できませんでした。)
Column index or range "{0}" could not be parsed. (列インデックスまたは範囲 "{0}" を解析できませんでした。)

エラー 0060

列ピッカーで範囲外の列範囲を指定すると、例外が発生します。

Azure Machine Learning では、列セレクターで範囲外の列範囲を指定する場合、このエラーが発生します。 列ピッカーの列範囲がデータセット内の列に対応していない場合、このエラーを受け取ります。

解決策: データセット内の列に対応するように、列ピッカーで列範囲を修正します。

例外メッセージ
Invalid or out of range column index range specified. (無効または範囲外の列インデックス範囲が指定されました。)
Column range "{0}" is invalid or out of range. (列範囲 "{0}" は無効または範囲外です。)

エラー 0061

列の数がテーブルとは異なる DataTable に行を追加しようとすると、例外が発生します。

Azure Machine Learning では、あるデータセットとは列の数が異なるデータセットに行を追加しようとする場合、このエラーが発生します。 データセットに追加されている行が、入力データセットとは異なる列数の場合、このエラーを受け取ります。 列の数が異なる場合、データセットに行を追加できません。

解決策: 追加される行と同じ列数になるように入力データセットを修正するか、またはデータセットと同じ列数になるように追加される行を修正します。

例外メッセージ
All tables must have the same number of columns. (すべてのテーブルは同じ列数である必要があります。)

エラー 0062

学習器の種類が異なる 2 つのモデルを比較しようとすると、例外が発生します。

Azure Machine Learning では、2 つの異なるスコアリング済みデータセットの評価メトリックを比較できない場合、このエラーが生成されます。 この場合、2 つのスコアリング済みデータセットの生成に使用されたモデルの有効性を比較できません。

解決策: スコアリングの結果が、同じ種類の機械学習モデル (バイナリ分類、回帰、多クラス分類、推奨、クラスタリング、異常検出など) によって生成されていることを確認します。比較するモデルはすべて、学習器の種類が同じである必要があります。

例外メッセージ
All models must have the same learner type. (すべてのモデルは学習器の種類が同じでなければなりません。)

エラー 0063

この例外は、R スクリプトの評価がエラーで失敗した場合に発生します。

このエラーは、Azure Machine Learning の r 言語モジュール のいずれかで r スクリプトを指定し、r コードに内部構文エラーが含まれている場合に発生します。 この例外は、R スクリプトに間違った入力を指定した場合にも発生する可能性があります。

このエラーは、スクリプトが大きすぎてワークスペースで実行できない場合にも発生することがあります。 R スクリプトの実行 モジュールのスクリプトの最大サイズは、1000行または 32 KB のワークスペースのいずれか小さい方です。

解決策:

  1. Azure Machine Learning Studio (クラシック) で、エラーが発生しているモジュールを右クリックし、[ ログの表示] を選択します。
  2. スタックトレースを含むモジュールの標準エラーログを確認します。
    • [ModuleOutput] で始まる行は、R からの出力を示します。
    • 通常、 警告 としてマークされている R からのメッセージは、実験が失敗する原因にはなりません。
  3. スクリプトの問題を解決します。
    • R 構文エラーを確認してください。 定義されていても設定されていない変数を確認します。
    • 入力データとスクリプトを確認して、Azure Machine Learning でサポートされていない文字をスクリプト内のデータまたは変数が使用しているかどうかを判断します。
    • すべてのパッケージの依存関係がインストールされているかどうかを確認します。
    • 既定で読み込まれていない必要なライブラリをコードが読み込むかどうかを確認します。
    • 必要なパッケージが正しいバージョンであるかどうかを確認します。
    • 出力するデータセットがデータフレームに変換されていることを確認します。
  4. 実験を再送信します。

注意

これらのトピックには、使用できる R コードの例と、R スクリプトを使用する Cortana Intelligence Gallery の実験へのリンクが含まれています。

例外メッセージ
Error during evaluation of R script. (R スクリプトの評価中にエラーが発生しました。)
The following error occurred during evaluation of R script (R スクリプトの評価中に次のエラーが発生しました): ---------- Start of error message from R (R からのエラー メッセージの開始) ---------- {0} ----------- End of error message from R (R からのエラー メッセージの終了) -----------
During the evaluation of R script "{1}" the following error occurred (R スクリプト "{1}" の評価中に次のエラーが発生しました): ---------- Start of error message from R (R からのエラー メッセージの開始) ---------- {0} ----------- End of error message from R (R からのエラー メッセージの終了) -----------

エラー 0064

正しくない Azure ストレージ アカウント名またはストレージ キーが指定された場合、例外が発生します。

Azure Machine Learning では、Azure ストレージ アカウントの名前またはストレージ キーが誤って指定された場合、このエラーが発生します。 ストレージ アカウントに対して正しくないアカウント名またはパスワードを入力すると、このエラーを受け取ります。 これは、アカウント名またはパスワードを手入力したときに発生する可能性があります。 アカウントが削除された場合にも発生する可能性があります。

解決策: アカウント名とパスワードを正しく入力したこと、およびアカウントが存在することを確認します。

例外メッセージ
The Azure storage account name or storage key is incorrect. (Azure ストレージ アカウント名またはストレージ キーが正しくありません。)
The Azure storage account name "{0}" or storage key for the account name is incorrect. (Azure ストレージ アカウント名 "{0}" またはアカウント名に対するストレージ キーが正しくありません。)

エラー 0065

正しくない Azure BLOB 名が指定された場合、例外が発生します。

Azure Machine Learning では、Azure BLOB 名が誤って指定された場合、このエラーが発生します。 次の場合、エラーを受け取ります。

  • 指定されたコンテナーで BLOB が見つからない。

  • カウントを使用した学習モジュールの出力に指定された blob の完全修飾名が512文字を超えています。

  • 形式がエンコードされた Excel または CSV のときに、データのインポート要求でソースとしてコンテナーのみが指定された。コンテナー内のすべての BLOB の内容の連結が、これらの形式では許可されていない。

  • SAS URI に、有効な BLOB の名前が含まれません。

解決策: 例外がスローされているモジュールを見直します。 指定された BLOB がストレージ アカウントのコンテナーに存在していること、および BLOB を表示できるアクセス許可があることを確認します。 エンコード形式の Excel または CSV を使用している場合、入力が "コンテナー名/ファイル名" の形式であることを確認します。 SAS URI に有効な BLOB の名前が含まれていることを確認します。

例外メッセージ
The Azure storage blob is incorrect. (Azure Storage の BLOB が正しくありません。)
The Azure storage blob name "{0}" is incorrect (Azure Storage の BLOB の名前 "{0}" が正しくありません)

エラー 0066

リソースを Azure BLOB にアップロードできない場合、例外が発生します。

Azure Machine Learning では、リソースを Azure BLOB にアップロードできなかった場合、このエラーが発生します。 モデルのトレーニング時に作成されたモデルまたはハッシュを、 Train Vowpal Wabbit 7-4 モデル で保存しようとしたときにエラーが発生した場合は、このメッセージが表示されます。 どちらも、入力ファイルを含むアカウントと同じ Azure ストレージ アカウントに保存されます。

解決策: モジュールを見直します。 Azure アカウント名、ストレージ キー、コンテナーが正しいこと、およびアカウントにコンテナーへの書き込みアクセス許可があることを確認します。

例外メッセージ
The resource could not be uploaded to Azure storage. (リソースを Azure Storage にアップロードできませんでした。)
The file "{0}" could not be uploaded to Azure storage as {1}. (ファイル "{0}" を Azure Storage に {1} としてアップロードできませんでした。)

エラー 0067

データセットの列数が予想とは異なる場合、例外が発生します。

Azure Machine Learning では、データセットの列数が予想とは異なる場合、このエラーが発生します。 データセット内の列の数が、実行中にモジュールで予想される列の数と異なる場合、このエラーを受け取ります。

解決策: 入力データセットまたはパラメーターを修正します。

例外メッセージ
Unexpected number of columns in the datatable. (データ テーブル内の列数が予想と異なります。)
Expected "{0}" columns but found "{1}" columns instead. (予想されたのは "{0}" 列ですが、実際に見つかったのは "{1}" 列です。)

エラー 0068

指定された Hive スクリプトが正しくない場合、例外が発生します。

Azure Machine Learning では、Hive QL スクリプトに構文エラーがある場合、またはクエリやスクリプトの実行中に Hive インタープリターでエラーが発生した場合、このエラーが発生します。

解決策:

通常 Hive からのエラー メッセージがエラー ログで報告されるので、特定のエラーに基づいてアクションを実行できます。

  • モジュールを開き、クエリで誤りを調べます。
  • Hadoop クラスターの Hive コンソールにログインしてクエリを実行することにより、Azure Machine Learning の外部でクエリが正しく動作することを確認します。
  • Hive スクリプトで実行可能なステートメントとコメントを単一の行に混在させるのではなく、コメントを別の行に配置することを試みます。

リソース

機械学習での Hive クエリの使用については、次の記事をご覧ください。

例外メッセージ
Hive script is incorrect. (Hive スクリプトが正しくありません。)
Hive script {0} is not correct. (Hive スクリプト {0} が正しくありません。)

エラー 0069

指定された SQL スクリプトが正しくない場合、例外が発生します。

Azure Machine Learning では、指定された SQL スクリプトの構文に問題がある場合、またはスクリプトで指定された列やテーブルが有効ではない場合、このエラーが発生します。

クエリまたはスクリプトの実行中に SQL エンジンでエラーが発生した場合、このエラーを受け取ります。 通常 SQL のエラー メッセージがエラー ログで報告されるので、特定のエラーに基づいてアクションを実行できます。

解決策: モジュールを見直し、SQL クエリで誤りを調べます。

データベース サーバーに直接ログインしてクエリを実行することにより、Azure ML の外部でクエリが正しく動作することを確認します。

モジュールの例外により報告された、SQL によって生成されたメッセージがある場合、報告されたエラーに基づいて対処を実行します。 たとえば、エラー メッセージには、発生する可能性の高いエラーに関する具体的なガイダンスが含まれる場合があります。

  • "No such column or missing database" (そのような列はないか、またはデータベースが存在しません) は、列名を誤って入力した可能性があることを示します。 列名が正しいことが確実な場合は、角かっこまたは引用符を使って列の識別子を囲んでみてください。
  • "SQL logic error near <SQL keyword> " ("<SQL keyword> の近くに SQL ロジック エラーがあります") は、指定されたキーワードの前に構文エラーが存在する可能性があることを示します
例外メッセージ
SQL script is incorrect. (SQL スクリプトが正しくありません。)
SQL query "{0}" is not correct. (SQL クエリ "{0}" が正しくありません。)
SQL query "{0}" is not correct: {1} (SQL クエリ "{0}" が正しくありません: {1})

エラー 0070

存在しない Azure テーブルにアクセスしようとすると、例外が発生します。

Azure Machine Learning では、存在しない Azure テーブルにアクセスしようとする場合、このエラーが発生します。 指定した Azure Storage 内のテーブルが、Azure Table Storage の読み取りまたは書き込み時に存在しない場合、このエラーを受け取ります。 これは、目的のテーブルの名前を誤って入力した場合、またはターゲットの名前とストレージの種類の間に不一致がある場合に発生する可能性があります。 たとえば、テーブルから読み取ろうとして、代わりに BLOB の名前を入力したような場合です。

解決策: モジュールを見直して、テーブルの名前が正しいことを確認します。

例外メッセージ
Azure table does not exist. (Azure のテーブルが存在しません。)
Azure table "{0}" does not exist. (Azure のテーブル "{0}" が存在しません。)

エラー 0071

指定された資格情報が正しくない場合、例外が発生します。

Azure Machine Learning では、指定された資格情報が正しくない場合、このエラーが発生します。

モジュールが HDInsight クラスターに接続できない場合にも、このエラーを受け取る可能性があります。

解決策: モジュールへの入力を確認し、アカウント名とパスワードを確認します。

エラーの原因となっている可能性のある次の問題を調べます。

  • データセットのスキーマが、ターゲットのデータ テーブルのスキーマと一致しません。

  • 列名が存在しないか、スペルが正しくありません

  • 列名に無効な文字が含まれるテーブルに書き込もうとしています。 通常、このような列名は角かっこで囲むことができますが、それでうまくいかない場合は、列名を編集し、アルファベットとアンダースコア (_) のみを使うようにします

  • 書き込もうとしている文字列に、単一引用符が含まれます

HDInsight クラスターに接続しようとしている場合は、指定された資格情報でターゲット クラスターにアクセスできることを確認します。

例外メッセージ
Incorrect credentials are passed. (正しくない資格情報が渡されました。)
Incorrect username "{0}" or password is passed (正しくないユーザー名 "{0}" またはパスワードが渡されました)

エラー 0072

接続がタイムアウトした場合、例外が発生します。

Azure Machine Learning では、接続がタイムアウトする場合、このエラーが発生します。現在データ ソースまたはターゲットとの接続に問題がある場合 (インターネット接続が遅い、など)、データセットが大きい場合、またはデータを読み取る SQL クエリで複雑な処理が実行されている場合、このエラーを受け取ります。

解決策: 現在、Azure ストレージまたはインターネットへの接続が遅くなる問題が発生しているかどうかを特定します。

例外メッセージ
Connection timeout occurred. (接続のタイムアウトが発生しました。)

エラー 0073

列を別の型に変換しているときにエラーが発生した場合、例外が発生します。

Azure Machine Learning では、列を別の型に変換できない場合、このエラーが発生します。 モジュールで特定の型が必要な場合に、列を新しい型に変換できないと、このエラーを受け取ります。

解決策: 入力データセットを修正し、内部例外に基づいて列を変換できるようにします。

例外メッセージ
Failed to convert column. (列を変換できませんでした。)
Failed to convert column to {0}. (列を {0} に変換できませんでした。)

エラー 0074

メタデータの編集でスパース列をカテゴリに変換しようとすると、例外が発生します。

Azure Machine Learning では、メタデータの編集でスパース列をカテゴリに変換しようとする場合、このエラーが発生します。 [Make categorical](カテゴリにする) オプションでスパース列をカテゴリに変換しようとすると、このエラーを受け取ります。 Azure Machine Learning ではスパース カテゴリ配列がサポートされていないため、モジュールは失敗します。

解決策: まず、 データセットへの変換 を使用して列を高密度にするか、列をカテゴリに変換しないようにします。

例外メッセージ
Sparse columns cannot be converted to Categorical. (スパース列をカテゴリに変換することはできません。)

エラー 0075

データセットを量子化するときに無効なビン分割機能を使用すると、例外が発生します。

Azure Machine Learning では、サポートされていない方法を使ってデータをビン分割しようとする場合、またはパラメーターの組み合わせが有効ではない場合、このエラーが発生します。

解決策:

このイベントでのエラー処理は、ビン分割方法のカスタマイズがより広い範囲で可能だった以前のバージョンの Azure Machine Learning で導入されました。 現在は、ビン分割方法はすべてドロップダウン リストでの選択に基づくため、技術的には、このエラーが発生する可能性はありません。

[データをビンにグループ化] モジュールを使用しているときにこのエラーが発生した場合は、 Azure Machine Learning フォーラムで問題を報告し、データ型、パラメーター設定、および正確なエラーメッセージを提供することを検討してください。

例外メッセージ
Invalid binning function used. (無効なビン分割機能が使われました。)

エラー 0077

不明な BLOB ファイル書き込みモードが渡されると、例外が発生します。

Azure Machine Learning では、BLOB ファイルのターゲットまたはソースを指定するときに無効な引数が渡される場合、このエラーが発生します。

解決策: Azure Blob Storage との間でデータをインポートまたはエクスポートするほとんどすべてのモジュールでは、書き込みモードを制御するパラメーターの値は、ドロップダウン リストを使って割り当てられます。そのため、無効な値を渡すことはできず、このエラーは発生しないはずです。 このエラーは、今後のリリースで非推奨になります。

例外メッセージ
Unsupported blob writes mode. (サポートされていない BLOB 書き込みモードです。)
Unsupported blob writes mode: {0}. (サポートされていない BLOB 書き込みモードです: {0}。)

エラー 0078

データのインポートに対する HTTP オプションでリダイレクトを示す 3xx 状態コードを受け取ると、例外が発生します。

Azure Machine Learning では、データのインポートに対する HTTP オプションでリダイレクトを示す 3xx (301、302、304 など) 状態コードを受け取る場合、このエラーが発生します。 ブラウザーを別のページにリダイレクトする HTTP ソースに接続しようとした場合、このエラーを受け取ります。 セキュリティ上の理由から、リダイレクトを行う Web サイトは、Azure Machine Learning のためのデータ ソースとしては許可されません。

解決策: Web サイトが信頼できる Web サイトの場合は、リダイレクト先の URL を直接入力します。

例外メッセージ
Http redirection not allowed (Http リダイレクトは許可されません)

エラー 0079

正しくない Azure ストレージ コンテナー名が指定されると、例外が発生します。

Azure Machine Learning では、Azure ストレージ コンテナー名が誤って指定される場合、このエラーが発生します。 Azure Blob Storage に書き込むときに、 [Path to blob beginning with container](コンテナーで始まる BLOB へのパス) オプションを使用して、コンテナーと BLOB (ファイル) 名の両方を指定していない場合、このエラーを受け取ります。

解決策: データのエクスポート モジュールを見直し、BLOB へのパスの指定に、コンテナーとファイル名の両方が コンテナー/ファイル名 の形式で含まれていることを確認します。

例外メッセージ
The Azure storage container name is incorrect. (Azure ストレージ コンテナーの名前が正しくありません。)
The Azure storage container name "{0}" is incorrect; a container name of the format container/blob was expected. (Azure ストレージ コンテナー名 "{0}" が正しくありません。コンテナー名は "コンテナー/BLOB" の形式であることが予想されていました。)

エラー 0080

すべての値が欠損している列がモジュールによって許可されない場合、例外が発生します。

Azure Machine Learning では、モジュールによって使用される 1 つまたは複数の列に欠損値しか含まれていないと、このエラーが生成されます。 たとえば、各列の集計統計が計算されるモジュールの場合、データが含まれない列での動作は不可能です。 そのような場合、モジュールの実行はこの例外で停止します。

解決策: 入力データセットを見直し、欠損値しか含まれていない列を削除します。

例外メッセージ
Columns with all values missing are not allowed. (すべて欠損値の列は許可されません。)
Column {0} has all values missing. (列 {0} はすべての値が欠損しています。)

エラー 0081

削減後のディメンションの数が、少なくとも 1 つのスパース特徴列を含む入力データセットの特徴列の数と等しい場合、PCA モジュールで例外が発生します。

Azure Machine Learning では、次の条件が満たされる場合、このエラーが生成されます。(a) 入力データセットに少なくとも 1 つのスパース列があり、かつ、(b) 要求されたディメンションの最終的な数が入力ディメンションの数と同じである。

解決策: 出力のディメンションの数を、入力のディメンションの数より少なくなるように減らすことを検討します。 これは、PCA のアプリケーションでは一般的です。 詳細については、「 プリンシパルコンポーネントの分析」を参照してください。

例外メッセージ
For dataset containing sparse feature columns number of dimensions to reduce should be less than number of feature columns. (スパース特徴列を含むデータセットでは、削減後のディメンションの数を特徴列の数より少なくする必要があります。)

エラー 0082

モデルを正常に逆シリアル化できないと、例外が発生します。

Azure Machine Learning では、破壊的変更の結果として、保存されている機械学習モデルまたは変換を新しいバージョンの Azure Machine Learning ランタイムで読み込むことができない場合、このエラーが発生します。

解決策: モデルまたは変換を生成したトレーニング実験を再実行し、モデルまたは変換を再保存にする必要があります。

例外メッセージ
Model could not be deserialized because it is likely serialized with an older serialization format. (古いシリアル化形式でシリアル化された可能性があるため、モデルを逆シリアル化できませんでした。) Retrain and resave the model. (モデルを再トレーニングして再度保存してください。)

エラー 0083

トレーニングに使用されたデータセットを学習器の具象型に使用できない場合、例外が発生します。

Azure Machine Learning では、データセットとトレーニング中の学習器の間に互換性がないと、このエラーが生成されます。 たとえば、データセットの各行に少なくとも 1 つの欠損値が含まれ、結果として、トレーニング中にデータセット全体がスキップされる可能性があります。 または、異常検出などの一部の機械学習アルゴリズムでは、ラベルの存在が予想されておらず、データセットにラベルが存在すると、この例外がスローされることがあります。

解決策: 入力データセットの要件を確認するために使用されている学習器のドキュメントを参照します。 列を調べて、必要な列がすべて存在することを確認します。

例外メッセージ
Dataset used for training is invalid. (トレーニングに使用されているデータセットが無効です。)
{0} contains invalid data for training. ({0} には、トレーニングに無効なデータが含まれます。)
{0} contains invalid data for training. ({0} には、トレーニングに無効なデータが含まれます。) Learner type: {1}. (学習器の種類: {1}。)

エラー 0084

R スクリプトから生成されたスコアが評価されると、例外が発生します。 現在、これはサポートされていません。

Azure Machine Learning では、スコアが含まれる R スクリプトからの出力でモデルを評価するためにモジュールのいずれかを使用しようとする場合、このエラーが発生します。

解決策:

例外メッセージ
Evaluating scores produced by R is currently unsupported. (R によって生成されたスコアの評価は、現在サポートされていません。)

エラー 0085

スクリプトの評価がエラーを伴い失敗すると、例外が発生します。

Azure Machine Learning では、構文エラーが含まれるカスタム スクリプトを実行する場合、このエラーが発生します。

解決策: 外部エディターでコードを確認し、エラーを調べます。

例外メッセージ
Error during evaluation of script. (スクリプトの評価中にエラーが発生しました。)
The following error occurred during script evaluation, view the output log for more information (スクリプトの評価中に次のエラーが発生しました。詳細については出力ログを参照してください): ---------- Start of error message from {0} interpreter ({0} インタープリターからのエラー メッセージの開始) ---------- {1} ---------- End of error message from {0} interpreter ({0} インタープリターからのエラー メッセージの終了) ----------

エラー 0086

カウント変換が有効ではない場合、例外が発生します。

Azure Machine Learning では、カウント テーブルに基づく変換を選択した場合、選択した変換が現在のデータまたは新しいカウント テーブルと互換性がない場合、このエラーが発生します。

解決策: モジュールは、変換を構成するカウントとルールを2つの異なる形式で保存することをサポートしています。 カウント テーブルをマージする場合は、マージする対象となる両方のテーブルで同じ形式が使われていることを確認します。

一般に、カウント ベースの変換は、変換が最初に作成されたデータセットと同じスキーマを使用するデータセットにのみ適用できます。

一般的な情報については、「 カウントを使用した学習」を参照してください。 カウントベースの機能の作成とマージに固有の要件については、次のトピックを参照してください。

例外メッセージ
Invalid counting transform specified. (無効なカウント変換が指定されました。)
The counting transform at input port '{0}' is invalid. (入力ポート '{0}' でのカウント変換は無効です。)
The counting transform at input port '{0}' cannot be merged with the counting transform at input port '{1}'. (入力ポート '{0}' でのカウント変換は、入力ポート '{1}' でのカウント変換とマージできません。) Check to verify the metadata used for counting matches. (カウントに使用されているメタデータが一致することを確認してください。)

エラー 0087

カウント モジュールでの学習用に無効なカウント テーブルの種類を指定すると、例外が発生します。

Azure Machine Learning では、既存のカウント テーブルをインポートしようとしていても、テーブルが現在のデータまたは新しいカウント テーブルと互換性がない場合、このエラーが発生します。

解決策: 変換を構成するカウントとルールを保存するには、さまざまな形式があります。 カウント テーブルをマージする場合は、両方で同じ形式が使われていることを確認します。

一般に、カウント ベースの変換は、変換が最初に作成されたデータセットと同じスキーマを使用するデータセットにのみ適用できます。

一般的な情報については、「 カウントを使用した学習」を参照してください。 カウントベースの機能の作成とマージに固有の要件については、次のトピックを参照してください。

エラー 0088

カウント モジュールでの学習用に無効なカウントの種類を指定すると、例外が発生します。

Azure Machine Learning では、カウント ベースの特徴付けに対してサポートされているものとは異なるカウント方法を使おうとする場合、このエラーが発生します。

解決策: 一般に、カウントメソッドはドロップダウンリストから選択されるため、このエラーは表示されません。

一般的な情報については、「 カウントを使用した学習」を参照してください。 カウントベースの機能の作成とマージに固有の要件については、次のトピックを参照してください。

例外メッセージ
Invalid counting type is specified. (無効なカウントの種類が指定されました。)
The specified counting type '{0}' is not a valid counting type. (指定されたカウントの種類 '{0}' は、有効なカウントの種類ではありません。)

エラー 0089

指定されたクラスの数がカウントに使用されるデータセットの実際のクラスの数より少ない場合、例外が発生します。

Azure Machine Learning では、カウント テーブルを作成しているときに、ラベル列に含まれるクラスの数がモジュールのパラメーターで指定した数と異なる場合、このエラーが発生します。

解決策: データセットを確認し、[ラベル] 列に含まれる個別の値 (使用可能なクラス) の正確な数を確認します。 カウント テーブルを作成するときは、少なくともこの数のクラスを指定する必要があります。

カウント テーブルでは、使用可能なクラスの数を自動的に判断できません。

カウント テーブルを作成するときに、0 またはラベル列の実際のクラス数より少ない数を指定することはできません。

例外メッセージ
The number of classes is incorrect. (クラスの数が正しくありません。) Make sure that the number of classes you specify in the parameter pane is greater than or equal to the number of classes in the label column. (パラメーター ウィンドウでは、クラスの数として、ラベル列のクラス数以上の値を指定してください。)
The number of classes specified is '{0}', which is not greater than a label value '{1}' in the data set used to count. (指定されているクラスの数 '{0}' は、カウントに使用されるデータ セット内のラベルの値 '{1}' を超えていません。) Make sure that the number of classes you specify in the parameter pane is greater than or equal to the number of classes in the label column. (パラメーター ウィンドウでは、クラスの数として、ラベル列のクラス数以上の値を指定してください。)

エラー 0090

Hive テーブルの作成が失敗すると、例外が発生します。

Azure Machine Learning では、データのエクスポートまたは別のオプションを使用して HDInsight クラスターにデータを保存するときに指定された Hive テーブルを作成できない場合、このエラーが発生します。

解決策: クラスターに関連付けられている Azure ストレージ アカウント名を調べて、モジュールのプロパティで同じアカウントを使用していることを確認します。

例外メッセージ
The Hive table could not be created. (Hive テーブルを作成できませんでした。) For a HDInsight cluster, ensure the Azure storage account name associated with cluster is the same as what is passed in through the module parameter. (HDInsight クラスターでは、クラスターに関連付けられた Azure ストレージ アカウント名が、モジュールのパラメーターで渡されたものと同じであることを確認してください。)
The Hive table "{0}" could not be created. (Hive テーブル "{0}" を作成できませんでした。) For a HDInsight cluster, ensure the Azure storage account name associated with cluster is the same as what is passed in through the module parameter. (HDInsight クラスターでは、クラスターに関連付けられた Azure ストレージ アカウント名が、モジュールのパラメーターで渡されたものと同じであることを確認してください。)
The Hive table "{0}" could not be created. (Hive テーブル "{0}" を作成できませんでした。) For a HDInsight cluster, ensure the Azure storage account name associated with cluster is "{1}". (HDInsight クラスターでは、クラスターに関連付けられた Azure ストレージ アカウント名が "{1}" であることを確認してください。)

エラー 0100

カスタム モジュールに対してサポートされていない言語が指定されると、例外が発生します。

Azure Machine Learning では、カスタム モジュールを作成しているときに、カスタム モジュールの xml 定義ファイル内の Language 要素の name プロパティが無効な値である場合、このエラーが発生します。 現在、このプロパティに対して有効な値は R のみです。 次に例を示します。

<Language name="R" sourceFile="CustomAddRows.R" entryPoint="CustomAddRows" />

解決策: カスタムモジュール xml 定義ファイル内の Language 要素の name プロパティがに設定されていることを確認し R ます。 ファイルを保存し、カスタム モジュールの zip パッケージを更新して、カスタム モジュールの追加を再度試みます。

例外メッセージ
Unsupported custom module language specified (サポートされていないカスタム モジュール言語が指定されています)

エラー 0101

すべてのポートとパラメーターの ID は、一意である必要があります。

Azure Machine Learning では、カスタム モジュールの XML 定義ファイルで 1 つ以上のポートまたはパラメーターに同じ ID 値が割り当てられる場合、このエラーが発生します。

解決策: すべてのポートとパラメーターの ID 値が一意であることを確認します。 xml ファイルを保存し、カスタム モジュールの zip パッケージを更新して、カスタム モジュールの追加を再度試みます。

例外メッセージ
All port and parameter IDs for a module must be unique (モジュールのすべてのポートとパラメーターの ID は、一意である必要があります)
Module '{0}' has duplicate port/argument IDs. (モジュール '{0}' には重複するポート/引数 ID があります。) All port/argument IDs must be unique for a module. (モジュールのすべてのポート/引数の ID は、一意である必要があります。)

エラー 0102

ZIP ファイルを抽出できない場合、スローされます。

Azure Machine Learning では、.zip 拡張子の zip パッケージをインポートするとき、パッケージが zip ファイルではない場合、またはサポートされている zip 形式がファイルで使用されていない場合、このエラーが発生します。

解決策: 選択したファイルが有効な .zip ファイルであること、およびサポートされている圧縮アルゴリズムのいずれかを使って圧縮されていることを確認します。

圧縮形式のデータセットをインポートするときにこのエラーが発生する場合は、含まれるすべてのファイルが、サポートされているファイル形式のいずれかが使われているものであり、かつ Unicode 形式であることを確認します。 詳細については、「 Zip データセットのアンパック」を参照してください。

目的のファイルを新しい圧縮フォルダーに再度追加し、カスタム モジュールへの追加を再び試みます。

例外メッセージ
Given ZIP file is not in the correct format (指定された ZIP ファイルは正しい形式ではありません)

エラー 0103

ZIP ファイルに .xml ファイルが含まれていない場合にスローされます

Azure Machine Learning では、カスタム モジュールの zip パッケージにモジュール定義 (.xml) ファイルが含まれていない場合、このエラーが発生します。 これらのファイルは、zip パッケージのルート (サブフォルダー内などではなく) に存在する必要があります。

解決策: 1つ以上の xml モジュール定義ファイルが zip パッケージのルートフォルダーにあることを、ディスクドライブ上の一時フォルダーに抽出して確認します。 すべての xml ファイルが、zip パッケージの抽出先フォルダーに直接存在する必要があります。 zip パッケージを作成するときは、圧縮する xml ファイルを含むフォルダーを選択しないようにします。圧縮するために選択したフォルダーと同じ名前のサブ フォルダーが zip パッケージ内に作成されてしまうからです。

例外メッセージ
Given ZIP file does not contain any module definition files (.xml files) (指定された ZIP ファイルにはモジュール定義ファイル (.xml ファイル) が含まれません)

エラー 0104

モジュール定義ファイルで参照されているスクリプトが見つからない場合にスローされます

Azure Machine Learning では、カスタム モジュールの xml 定義ファイルの Language 要素で参照されているスクリプト ファイルが zip パッケージに存在しない場合、このエラーがスローされます。 スクリプト ファイルのパスは、Language 要素の sourceFile プロパティで定義されています。 ソース ファイルへのパスは、zip パッケージのルートに対して相対的です (モジュールの xml 定義ファイルと同じ場所)。 スクリプト ファイルがサブ フォルダー内にある場合は、スクリプト ファイルへの相対パスを指定する必要があります。 たとえば、すべてのスクリプトが zip パッケージ内の myScripts フォルダーに格納されていた場合、Language 要素ではこのパスを次のように sourceFile プロパティに追加する必要があります。 次に例を示します。

<Language name="R" sourceFile="myScripts/CustomAddRows.R" entryPoint="CustomAddRows" />

解決策: カスタムモジュール xml 定義の Language 要素の sourceFile プロパティの値が正しいことと、ソースファイルが zip パッケージ内の正しい相対パスに存在することを確認してください。

例外メッセージ
Referenced R script file does not exist. (参照されている R スクリプト ファイルが存在しません。)
Referenced R script file '{0}' cannot be found. (参照されている R スクリプト ファイル '{0}' が見つかりません。) Ensure that the relative path to the file is correct from the definitions location. (定義の場所からファイルへの相対パスが正しいことを確認してください。)

エラー 0105

モジュール定義ファイルにサポートされていないパラメーターの型が含まれる場合、このエラーが表示されます。

Azure Machine Learning では、カスタム モジュールの xml 定義を作成するときに、定義のパラメーターまたは引数の型とサポートされている型とが一致しない場合、このエラーが生成されます。

解決策: カスタム モジュールの xml 定義ファイル内の Arg 要素の型プロパティが、サポートされている型であることを確認します。

例外メッセージ
Unsupported parameter type. (パラメーターの型がサポートされていません。)
Unsupported parameter type '{0}' specified. (サポートされていないパラメーターの型 '{0}' が指定されています。)

エラー 0106

モジュール定義ファイルで、サポートされていない入力の型が定義されている場合、スローされます。

Azure Machine Learning では、カスタム モジュールの XML 定義の入力ポートの型がサポートされている型と一致しない場合、このエラーが生成されます。

解決策: カスタムモジュール XML 定義ファイル内の Input 要素の type プロパティがサポートされている型であることを確認します。

例外メッセージ
Unsupported input type. (入力の型がサポートされていません。)
Unsupported input type '{0}' specified. (サポートされていない入力の型 '{0}' が指定されています。)

エラー 0107

モジュール定義ファイルで、サポートされていない出力の型が定義されている場合、スローされます。

Azure Machine Learning では、カスタム モジュールの xml 定義の出力ポートの型がサポートされている型と一致しない場合、このエラーが生成されます。

解決策: カスタム モジュールの xml 定義ファイル内の Output 要素の type プロパティが、サポートされている型であることを確認します。

例外メッセージ
Unsupported output type. (出力の型がサポートされていません。)
Unsupported output type '{0}' specified. (サポートされていない出力の型 '{0}' が指定されています。)

エラー 0108

モジュール定義ファイルでサポートされているより多くの入力ポートまたは出力ポートが定義されている場合、スローされます。

Azure Machine Learning では、カスタム モジュールの xml 定義で定義されている入力ポートまたは出力ポートが多すぎる場合、このエラーが生成されます。

解決策: カスタムモジュール xml 定義で定義されている入力ポートと出力ポートの最大数が、サポートされているポートの最大数を超えていないことを確認します。

例外メッセージ
Exceeded supported number of input or output ports. (入力ポートまたは出力ポートがサポートされている数を超えました。)
Exceeded number of supported '{0}' ports. (サポートされている '{0}' ポートの数を超えました。) Maximum allowed number of '{0}' ports is '{1}'. ('{0}' ポートの許容される最大数は '{1}' です。)

エラー 0109

モジュール定義ファイルでの列ピッカーの定義が正しくない場合、スローされます。

Azure Machine Learning では、カスタム モジュールの xml 定義で列ピッカー引数の構文にエラーが含まれている場合、このエラーが生成されます。

解決策: このエラーは、列の選択引数の構文にカスタムモジュール xml 定義のエラーが含まれている場合に生成されます。

例外メッセージ
Unsupported syntax for column picker. (列ピッカーの構文がサポートされていません。)

エラー 0110

モジュール定義ファイルによって、存在しない入力ポート ID が参照される列ピッカーが定義される場合、スローされます。

Azure Machine Learning では、ColumnPicker 型の Arg の Properties 要素にある portId プロパティが入力ポートの ID 値と一致しない場合、このエラーが生成されます。

解決策: ポート id プロパティが、カスタムモジュール xml 定義で定義されている入力ポートの ID 値と一致していることを確認します。

例外メッセージ
Column picker references a non-existent input port ID. (列ピッカーで、存在しない入力ポート ID が参照されています。)
Column picker references a non-existent input port ID '{0}'. (列ピッカーで、存在しない入力ポート ID '{0}' が参照されています。)

エラー 0111

モジュール定義ファイルで無効なプロパティが定義されている場合、スローされます。

Azure Machine Learning では、カスタム モジュールの XML 定義で無効なプロパティが要素に割り当てられる場合、このエラーが生成されます。

解決策: プロパティがカスタムモジュール要素によってサポートされていることを確認します。

例外メッセージ
Property definition is invalid. (プロパティの定義が無効です。)
Property definition '{0}' is invalid. (プロパティの定義 '{0}' が無効です。)

エラー 0112

モジュール定義ファイルを解析できない場合、スローされます

Azure Machine Learning では、xml 形式のエラーによって、カスタム モジュールの XML 定義が有効な XML ファイルとして解析されない場合、このエラーが生成されます。

解決策: 各要素が正しく開かれ、閉じられていることを確認します。 XML の書式設定にエラーがないことを確認します。

例外メッセージ
Unable to parse module definition file. (モジュール定義ファイルを解析できません。)
Unable to parse module definition file '{0}'. (モジュール定義ファイル '{0}' を解析できません。)

エラー 0113

モジュール定義ファイルにエラーが含まれる場合、スローされます。

Azure Machine Learning では、カスタム モジュールの XML 定義ファイルが解析可能であっても、エラー (カスタム モジュールでサポートされていない要素の定義など) が含まれる場合、このエラーが生成されます。

解決策: カスタムモジュール定義ファイルに、カスタムモジュールでサポートされている要素とプロパティが定義されていることを確認します。

例外メッセージ
Module definition file contains errors. (モジュール定義ファイルにエラーが含まれます。)
Module definition file '{0}' contains errors. (モジュール定義ファイル '{0}' にエラーが含まれます。)
Module definition file '{0}' contains errors. (モジュール定義ファイル '{0}' にエラーが含まれます。) {1}

エラー 0114

カスタム モジュールのビルドが失敗する場合、スローされます。

Azure Machine Learning では、カスタム モジュールのビルドが失敗した場合、このエラーが生成されます。 これは、カスタム モジュールを追加するときに、1 つ以上のカスタム モジュール関連のエラーが検出される場合に発生します。 追加のエラーがこのエラー メッセージ内で報告されます。

解決策: この例外メッセージ内で報告されたエラーを解決します。

例外メッセージ
Failed to build custom module. (カスタム モジュールのビルドが失敗しました。)
Custom module builds failed with error(s): {0} (カスタム モジュールのビルドが次のエラーで失敗しました: {0})

エラー 0115

カスタム モジュールの既定のスクリプトにサポートされていない拡張子が付いている場合、スローされます。

Azure Machine Learning では、不明のファイル名拡張子が使われているスクリプトがカスタム モジュールに提供される場合に、このエラーが発生します。

解決策: カスタムモジュールに含まれるスクリプトファイルのファイル形式とファイル名拡張子を確認します。

例外メッセージ
Unsupported extension for default script. (既定のスクリプトの拡張子がサポートされていません。)
Unsupported file extension {0} for default script. (既定のスクリプトのファイル拡張子 {0} がサポートされていません。)

エラー 0121

テーブルが書き込み可能ではないために SQL の書き込みが失敗した場合、スローされます。

Azure Machine Learning では、データのエクスポートモジュールを使用して結果を SQL データベースのテーブルに保存するときに、テーブルに書き込むことができない場合、このエラーが生成されます。 通常、データのエクスポート モジュールは SQL Server インスタンスとの接続を正常に確立したものの、Azure ML データセットの内容をテーブルに書き込むことができない場合に、このエラーが表示されます。

解決策:

  • データのエクスポート モジュールの [プロパティ] ウィンドウを開き、データベースとテーブルの名前が正しく入力されていることを確認します。
  • エクスポートしているデータセットのスキーマを確認し、データがエクスポート先のテーブルと互換性があることを確認します。
  • ユーザー名とパスワードに関連付けられている SQL サインインに、テーブルに書き込むためのアクセス許可があることを確認します。
  • SQL Server からのエラー情報が例外に追加で含まれている場合は、その情報を使用して修正します。
例外メッセージ
Connected to server, unable to write to table. (サーバーに接続しましたが、テーブルに書き込むことができません。)
Unable to write to Sql table: {0} (SQL のテーブルに書き込むことができません: {0})

エラー 0122

複数の重み列を指定されているときに、重み列が 1 つのみ許可される場合、例外が発生します。

Azure Machine Learning では、重み列として選択されている列が多すぎる場合、このエラーが発生します。

解決策: 入力データセットとそのメタデータを確認します。 重みが含まれる列は 1 つのみであることを確認します。

例外メッセージ
Multiple weight columns are specified. (複数の重み列が指定されています。)

エラー 0123

ベクターの列がラベル列に指定されている場合、例外が発生します。

Azure Machine Learning では、ラベル列としてベクターを使用する場合、このエラーが発生します。

解決策: 必要に応じて列のデータ形式を変更するか、別の列を選択します。

例外メッセージ
Column of vectors is specified as Label column. (ベクターの列がラベル列として指定されています。)

エラー 0124

数値ではない列が重み列として指定されている場合、例外が発生します。

解決策:

例外メッセージ
Non-numeric column is specified as the weight column. (数値以外の列が重み列として指定されています。)

エラー 0125

複数のデータセットのスキーマが一致しない場合、スローされます。

解決策:

例外メッセージ
Dataset schema does not match. (データセットのスキーマが一致しません。)

エラー 0126

Azure ML でサポートされていない SQL ドメインをユーザーが指定した場合、例外が発生します。

このエラーは、Azure Machine Learning でサポートされていない SQL ドメインをユーザーが指定する場合に生成されます。 許可リストに含まれていないドメイン内のデータベースサーバーに接続しようとすると、このエラーが発生します。 現在、許可される SQL ドメインは、".database.windows.net"、".cloudapp.net"、または ".database.secure.windows.net" です。 つまり、サーバーは、Azure SQL Server または Azure 上の仮想マシン内のサーバーである必要があります。

解決策: モジュールを見直します。 SQL データベース サーバーが承認済みドメインのいずれかに属していることを確認します。

  • .database.windows.net

  • .cloudapp.net

  • .database.secure.windows.net

例外メッセージ
Unsupported SQL domain. (サポートされていない SQL ドメインです。)
The SQL domain {0} is not currently supported in Azure ML (現在、SQL ドメイン {0} は Azure ML でサポートされていません)

エラー 0127

画像のピクセル サイズが許容される上限を超えています

このエラーは、分類のために画像データセットから画像を読み取っていて、画像が大きすぎるためにモデルで処理できない場合に発生します。

解決策: イメージサイズとその他の要件の詳細については、次のトピックを参照してください。

例外メッセージ
Image pixel size exceeds allowed limit. (画像のピクセル サイズが許容される上限を超えています。)
Image pixel size in the file '{0}' exceeds allowed limit: '{1}' (ファイル '{0}' の画像のピクセル サイズが、許容される上限を超えています: '{1}')

エラー 0128

カテゴリ列の条件付き確率の値が制限を超えています。

解決策:

例外メッセージ
カテゴリ列の条件付き確率の値が制限を超えています。
カテゴリ列の条件付き確率の値が制限を超えています。 Columns '{0}' and '{1}' are the problematic pair. (列 '{0}' と '{1}' が問題を起こしているペアです。)

エラー 0129

データセット内の列の数が、許可される上限を超えています。

解決策:

例外メッセージ
データセット内の列の数が、許可される上限を超えています。
Number of columns in the dataset in '{0}' exceeds allowed. ('{0}' 内のデータセットの列数が、許可される値を超えています。)
Number of columns in the dataset in '{0}' exceeds allowed limit of '{1}'.' ('{0}' 内のデータセットの列数が、許可される上限 '{1}' を超えています。)
Number of columns in the dataset in '{0}' exceeds allowed '{1}' limit of '{2}'.' ('{0}' 内のデータセットの列数が、許可される '{1}' の制限 '{2}' を超えています。)

エラー 0130

トレーニング データセット内のすべての行に欠損値が含まれる場合、例外が発生します。

これは、トレーニング データセット内の一部の列が空の場合に発生します。

解決策: 欠損 データのクリーンアップ モジュールを使用して、すべての欠損値を含む列を削除します。

例外メッセージ
All rows in training dataset contain missing values. (トレーニング データセットのすべての行に、欠損値が含まれます。) Consider using the Clean Missing Data module to remove missing values. (見つからないデータのクリーンアップ モジュールを使用して欠損値を削除することを検討してください。)

エラー 0131

zip ファイル内の 1 つまたは複数のデータセットを解凍して正しく登録できない場合、例外が発生します。

zip ファイル内の 1 つまたは複数のデータセットを解凍して正しく読み取ることができない場合、このエラーが生成されます。 zip ファイル自体、またはその中のファイルの 1 つが壊れているために解凍が失敗する場合、またはファイルを解凍して展開しようとしてシステム エラーが発生した場合、このエラーを受け取ります。

解決策: エラーメッセージに示されている詳細を使用して、続行する方法を決定します。

例外メッセージ
Upload zipped datasets failed (zip 形式のデータセットのアップロードが失敗しました)
Zipped dataset {0} failed with the following message: {1} (zip 形式のデータセット {0} が次のメッセージで失敗しました: {1})
Zipped dataset {0} failed with a {1} exception with message: {2} (zip 形式のデータセット {0} が次のメッセージを伴う例外 {1} で失敗しました: {2})

エラー 0132

解凍するファイル名が指定されませんでした。zip ファイル内で複数のファイルが見つかりました。

解凍するファイル名が指定されず、zip ファイルで複数のファイルが見つかった場合、このエラーが生成されます。 .zip ファイルに複数の圧縮ファイルが含まれていても、モジュールの [プロパティ] ウィンドウの [Dataset to Unpack](解凍するデータセット) テキスト ボックスで抽出するファイルを指定しなかった場合、このエラーを受け取ります。 現在は、モジュールを実行するたびに抽出できるファイルは 1 つだけです。

解決策: このエラーメッセージには、.zip ファイル内のファイルの一覧が表示されます。 目的のファイルの名前をコピーして、[Dataset to Unpack](解凍するデータセット) テキスト ボックスに貼り付けます。

例外メッセージ
Zip file contains multiple files; you must specify the file to expand. (zip ファイルには複数のファイルが含まれます。展開するファイルを指定する必要があります。)
The file contains more than one file. (ファイルには複数のファイルが含まれます。) Specify the file to expand. (展開するファイルを指定してください。) The following files were found: {0} (次のファイルが見つかりました: {0})

エラー 0133

指定されたファイルが zip ファイルで見つかりませんでした

[プロパティ] ウィンドウの [Dataset to Unpack](解凍するデータセット) フィールドに入力したファイル名が .zip ファイルで見つかったどのファイルの名前とも一致しない場合、このエラーが生成されます。 このエラーの最も一般的な原因は、入力にエラーがある場合、または展開するファイルを探すアーカイブ ファイルが間違っている場合です。

解決策: モジュールを見直します。 見つかったファイルの一覧に圧縮解除するファイルの名前が表示されている場合は、ファイル名をコピーして [Dataset to Unpack](解凍するデータセット) プロパティ ボックスに貼り付けます。 目的のファイル名が一覧に表示されない場合は、正しい .zip ファイルであること、および目的のファイルの名前が正しいことを確認します。

例外メッセージ
The specified file was not found int the zip file. (指定されたファイルが zip ファイルに見つかりませんでした。)
The specified file was not found. (指定されたファイルは見つかりませんでした。) Found the following file(s): {0} (次のファイルが見つかりました: {0})

エラー 0134

Exception occurs when label column is missing or has insufficient number of labeled rows. (ラベル列が存在しない場合、またはラベルの付いた行の数が不足している場合、例外が発生します。)

モジュールでラベル列が必要であるのに列選択に含めない場合、またはラベル列の欠損値が多すぎる場合、このエラーが発生します。

前の操作によってデータセットが変更され、ダウンストリーム操作で使用できる行が不足している場合にも、このエラーが発生する可能性があります。 たとえば、パーティションとサンプル モジュールで、式を使って値によるデータセットの分割を行っているとします。 使用した式で一致するものが見つからない場合、パーティションによって得たデータセットの 1 つが空になります。

解決策:

列の選択にラベル列を含めても認識されない場合は、 メタデータの編集 モジュールを使用してラベル列としてマークします。

データの 要約 モジュールを使用して、各列に不足している値の数を示すレポートを生成します。 その後、見つからないデータのクリーンアップ モジュールを使って、ラベル列に欠損値のある行を削除できます。

入力データセットを調べて、有効なデータが含まれること、および操作の要件を満たすために十分な行があることを確認します。 多くのアルゴリズムでは、最低限の行数のデータが必要とされていながら、データには数行またはヘッダーしか含まれない場合、エラー メッセージが生成されます。

例外メッセージ
Exception occurs when label column is missing or has insufficient number of labeled rows. (ラベル列が存在しない場合、またはラベルの付いた行の数が不足している場合、例外が発生します。)
Exception occurs when label column is missing or has less than {0} labeled rows (ラベル列が存在しない場合、またはラベルの付いた行数が {0} より少ない場合、例外が発生します。)

エラー 0135

Only centroid-based cluster is supported. (重心ベースのクラスターのみがサポートされます。)

解決策: 重心を使用してクラスターを初期化しないカスタムクラスタリングアルゴリズムに基づくクラスターモデルを評価しようとすると、このエラーメッセージが表示されることがあります。

"モデルの 評価 " を使用して、K を意味する クラスター モジュールに基づくクラスターモデルを評価できます。 カスタムアルゴリズムの場合は、 R スクリプトの実行 モジュールを使用して、カスタム評価スクリプトを作成します。

例外メッセージ
Only centroid-based cluster is supported. (重心ベースのクラスターのみがサポートされます。)

エラー 0136

No file name was returned; unable to process the file as a result. (ファイル名が返されませんでした。その結果、ファイルを処理できません。)

解決策:

例外メッセージ
No file name was returned; unable to process the file as a result. (ファイル名が返されませんでした。その結果、ファイルを処理できません。)

エラー 0137

Azure Storage SDK で、読み取りまたは書き込み中に、テーブルのプロパティとデータセットの列の間で変換を行うときにエラーが発生しました。

解決策:

例外メッセージ
Conversion error between Azure table storage property and dataset column. (Azure テーブル ストレージのプロパティとデータセットの列との間の変換エラー。)
Conversion error between Azure table storage property and dataset column. (Azure テーブル ストレージのプロパティとデータセットの列との間の変換エラー。) Additional information: {0} (追加情報: {0})

エラー 0138

Memory has been exhausted, unable to complete running of module. (メモリが不足しており、モジュールの実行を完了できません。) データセットのダウンサンプリングは、問題の軽減に役立つことがあります。

実行中のモジュールに、Azure コンテナーで使用できるより多くのメモリが必要な場合、このエラーが発生します。 大型のデータセットを使用しており、現在の操作がメモリに収まらない場合に、これが発生することがあります。

解決策: 大型のデータセットを読み取ろうとして、操作を完了できない場合は、データセットのダウンサンプリングが役立つことがあります。

データセットで視覚エフェクトを使用して列のカーディナリティをチェックする場合は、一部の行のみがサンプリングされます。 完全なレポートを取得するには、[ データの集計] を使用します。 また、 SQL 変換の適用 を使用して、各列の一意の値の数を確認することもできます。

一時的な負荷がこのエラーの原因になることがあります。 コンピューターのサポートも、時間の経過と共に変化します。 サポートされているデータサイズの詳細については、 AZURE MACHINE LEARNING FAQ を参照してください。

主要なコンポーネント分析、または提供されている機能の選択方法の1つを使用して、データセットをさらに多くの機能豊富な列 (機能の選択) の小さいセットに減らしてみてください。

例外メッセージ
Memory has been exhausted, unable to complete running of module. (メモリが不足しており、モジュールの実行を完了できません。)

エラー 0139

列を別の型に変換できない場合、例外が発生します。

Azure Machine Learning では、列を別のデータ型に変換しようとするものの、その型が現在の操作またはモジュールによってサポートされていない場合、このエラーが発生します。

モジュールが現在のモジュールの要件を満たすためにデータを暗黙的に変換しようとするものの、変換を行うことができないときも、エラーが表示される場合があります。

解決策:

  1. 入力データを確認し、使用する列の正確なデータ型と、エラーが生成されている列のデータ型を特定します。 データ型が正しいと思っていても、アップストリームの操作によってデータ型または列の使用方法が変更されていたことがわかる場合もあります。 メタデータの編集モジュールを使用して、列のメタデータを元の状態にリセットします。

  2. モジュールのヘルプ ページを見て、指定された操作の要件を確認します。 現在のモジュールでサポートされているデータ型と、サポートされている値の範囲を確認します。

  3. 値の切り捨て、丸め、または外れ値の削除が必要な場合は、 算術演算 または クリップ値 の適用モジュールを使用して修正します。

  4. 列を別のデータ型に変換またはキャストできるかどうかを検討します。 次のすべてのモジュールでは、非常に柔軟で強力なデータ変更機能が提供されます。

注意

それでも動作しませんか。 問題に関する追加のフィードバックの提供をご検討ください。さらに有益なトラブルシューティング ガイダンスの開発に役立たせていただきます。 このページでフィードバックを送信し、エラーが発生したモジュールの名前と失敗したデータ型変換を指定するのみです。

例外メッセージ
Not allowed conversion. (変換は許可されていません。)
Could not convert: {0}. (変換できませんでした: {0}。)
Could not convert: {0}, on row {1}. (行 {1} で {0} を変換できませんでした。)
Could not convert column of type {0} to column of type {1} on row {2}. (行 {2} で {0} 型の列を {1} 型の列に変換できませんでした。)
Could not convert column "{2}" of type {0} to column of type {1} on row {3}. (行 {3} で {0} 型の列 "{2}" を {1} 型の列に変換できませんでした。)
Could not convert column "{2}" of type {0} to column "{3}" of type {1} on row {4}. (行 {4} で {0} 型の列 "{2}" を {1} 型の列 "{3}" に変換できませんでした。)

エラー 0140

渡された列セット引数にラベル列以外の他の列が含まれない場合、例外が発生します。

特徴を含む複数の列が必要なモジュールにデータセットを接続したものの、ラベル列のみを提供した場合、このエラーが発生します。

解決策: データセットに含める特徴列を少なくとも1つ選択してください。

例外メッセージ
Specified column set does not contain other columns except label column. (渡された列セットに、ラベル列以外の他の列が含まれません。)

エラー 0141

選択された数値列の数およびカテゴリ列と文字列列の一意の値の数が少なすぎる場合、例外が発生します。

Azure Machine Learning では、選択された列に操作を実行するのに十分な一意の値がない場合、このエラーが発生します。

解決策: 一部の操作では、特徴列とカテゴリ列で統計的操作が実行され、十分な値がない場合は、操作が失敗するか無効な結果が返される可能性があります。 データセットを調べて、fature 列と label 列に含まれる値の数を確認し、実行しようとしている操作が統計的に有効かどうかを判断します。

ソース データセットが有効な場合は、アップストリームのデータ操作やメタデータ操作によってデータが変更されたり値が削除されたりしたかどうかもチェックします。

アップストリームの操作に分割、サンプリング、または再サンプリングが含まれる場合、予想される数の行と値が出力に含まれていることを確認します。

例外メッセージ
The number of the selected numerical columns and unique values in the categorical and string columns is too small. (選択された数値列の数およびカテゴリ列と文字列列の一意の値の数が少なすぎます。)
The total number of the selected numerical columns and unique values in the categorical and string columns (currently {0}) should be at least {1} (選択された数値列の総数およびカテゴリ列と文字列列の一意の値の総数は、{1} 以上 (現在は {0}) である必要があります)

エラー 0142

認証する証明書のシステムによる読み込みができない場合、例外が発生します。

解決策:

例外メッセージ
The certificate cannot be loaded. (証明書を読み込むことができません。)
The certificate {0} cannot be loaded. (証明書 {0} を読み込むことができません。) Its thumbprint is {1}. (そのサムプリントは {1} です。)

エラー 0143

GitHub からと思われるユーザー指定の URL を解析できません。

Azure Machine Learning では、無効な URL を指定するときに、モジュールによって有効な GitHub の URL が必要とされる場合、このエラーが発生します。

解決策: URL が有効な GitHub リポジトリを参照していることを確認します。 他のサイトの種類はサポートされていません。

例外メッセージ
URL is not from github.com. (URL が github.com のものではありません。)
URL is not from github.com: {0} (URL が github.com のものではありません: {0})

エラー 0144

ユーザー指定の GitHub URL に、予想される部分がありません。

Azure Machine Learning では、無効な URL 形式を使用して GitHub のファイル ソースを指定する場合、このエラーが発生します。

解決策: GitHub リポジトリの URL が有効であり、かつ \ blob\ または \ tree で終わることを確認し \ ます。

例外メッセージ
Cannot parse GitHub URL. (GitHub の URL を解析できません。)
Cannot parse GitHub URL (expecting '\blob\' or '\tree\' after the repository name): {0} (GitHub の URL を解析できません (リポジトリ名の後には '\blob' または '\tree' が必要です): {0})

エラー 0145

何らかの理由によりレプリケーション ディレクトリを作成できません。

Azure Machine Learning では、指定されたディレクトリをモジュールによって作成することができない場合、このエラーが発生します。

解決策:

例外メッセージ
Cannot create replication directory. (レプリケーション ディレクトリを作成できません。)

エラー 0146

ユーザー ファイルをローカル ディレクトリに解凍するとき、結合されたパスが長すぎる可能性があります。

Azure Machine Learning では、ファイルを抽出するときに解凍されたファイル名が長すぎると、このエラーが発生します。

解決策: ファイル名を編集して、パスとファイル名の組み合わせが248文字以内になるようにします。

例外メッセージ
Replication path is longer than 248 characters, shorten the script name or path. (レプリケーション パスが 248 文字より長くなっています。スクリプト名またはパスを短くしてください。)

エラー 0147

何らかの理由により GitHub からダウンロードできませんでした。

Azure Machine Learning では、指定されたファイルを GitHub から読み取ったりダウンロードしたりできない場合、このエラーが発生します。

解決策: 問題は一時的なものである可能性があります。ファイルへのアクセスをもう一度試してみることができます。 または、必要なアクセス許可があり、ソースが有効であることを確認します。

例外メッセージ
GitHub access error. (GitHub アクセス エラー。)
GitHub access error. (GitHub アクセス エラー。) {0}

エラー 0148

データの抽出またはディレクトリの作成の間に、未承認のアクセスの問題が発生しました。

Azure Machine Learning では、ディレクトリの作成またはストレージからのデータの読み取りを試みたものの、必要なアクセス許可を持っていない場合、このエラーが発生します。

解決策:

例外メッセージ
Unauthorized access exception while extracting data. (データを抽出するときに未承認アクセスの例外が発生しました。)

エラー 0149

GitHub バンドル内にユーザー ファイルが存在しません。

Azure Machine Learning では、指定されたファイルが見つからない場合、このエラーが発生します。

解決策:

例外メッセージ
GitHub file is not found. (GitHub のファイルが見つかりません。)
GitHub file is not found.: {0} (GitHub のファイルが見つかりません: {0})

エラー 0150

ユーザー パッケージからのスクリプトを解凍できませんでした。最も可能性があるのは、GitHub ファイルとの競合のためです。

Azure Machine Learning では、スクリプトを抽出できない場合、このエラーが発生します。通常は、同じ名前のファイルが既にあるためです。

解決策:

例外メッセージ
Unable to unzip the bundle; possible name collision with GitHub files. (バンドルを解凍できません。GitHub ファイルと名前が競合している可能性があります。)

エラー 0151

クラウド ストレージへの書き込みでエラーが発生しました。 URL を確認してください。

Azure Machine Learning では、モジュールによってデータがクラウド ストレージに書き込まれるときに URL が利用できない場合、または無効である場合、このエラーが発生します。

解決方法: URL を確認し、書き込み可能であることを確認します。

例外メッセージ
Error writing to cloud storage (possibly a bad url). (クラウド ストレージへの書き込みエラー (無効な URL の可能性)。)
Error writing to cloud storage: {0}. (クラウド ストレージへの書き込みエラー: {0}。) Check the url. (URL を確認してください。)

エラー 0152

モジュールのコンテキストで Azure クラウドの種類が不適切に指定されました。

例外メッセージ
Bad Azure Cloud Type (無効な Azure クラウドの種類)
Bad Azure Cloud Type: {0} (無効な Azure クラウドの種類: {0})

エラー 0153

指定されたストレージ エンドポイントが無効です。

例外メッセージ
Bad Azure Cloud Type (無効な Azure クラウドの種類)
Bad Storage End Point: {0} (無効なストレージ エンドポイント: {0})

エラー 0154

The specified server name could not be resolved (指定されたサーバー名を解決できませんでした)

例外メッセージ
The specified server name could not be resolved (指定されたサーバー名を解決できませんでした)
The specified server {0}.documents.azure.com could not be resolved (指定されたサーバー {0}.documents.azure.com を解決できませんでした)

エラー 0155

The DocDb Client threw an exception (DocDb クライアントによって例外がスローされました)

例外メッセージ
The DocDb Client threw an exception (DocDb クライアントによって例外がスローされました)
DocDb Client: {0} (DocDb クライアント: {0})

エラー 0156

Bad response for HCatalog Server. (HCatalog サーバーに対する不適切な応答。)

例外メッセージ
Bad response for HCatalog Server. (HCatalog サーバーに対する不適切な応答。) Check that all services are running. (すべてのサービスが実行されていることを確認してください。)
Bad response for HCatalog Server. (HCatalog サーバーに対する不適切な応答。) Check that all services are running. (すべてのサービスが実行されていることを確認してください。) Error details: {0} (エラーの詳細: {0})

エラー 0157

一貫性のないドキュメント スキーマまたは異なるドキュメント スキーマにより、Azure Cosmos DB からの読み取り中にエラーが発生しました。 閲覧者は、すべてのドキュメントに同じスキーマが含まれることを必要とします。

例外メッセージ
Detected documents with different schemas. (スキーマが異なるドキュメントが検出されました。) Make sure all documents have the same schema (すべてのドキュメントが同じスキーマであることを確認してください)

エラー 1000

内部ライブラリの例外。

このエラーは、他の方法では処理されない内部エンジン エラーをキャプチャするために提供されます。 そのため、このエラーの原因は、エラーが生成されたモジュールによって異なる可能性があります。

詳細なヘルプを取得するには、エラーに付随する詳細なメッセージに、入力として使用したデータなどのシナリオの説明を添えて、Azure Machine Learning フォーラムに投稿することをお勧めします。 このフィードバックは、エラーの優先順位付けや、さらに取り組むべき最重要問題の特定に役立てられます。

例外メッセージ
Library exception. (ライブラリ例外。)
Library exception: {0} (ライブラリ例外: {0})
{0} library exception: {1} ({0} ライブラリ例外: {1})

その他のヘルプ

モジュールのエラーコード

Azure Machine Learning のヘルプやトラブルシューティングのヒントが必要な場合は、 次のリソースを試してみてください。