Rozwiązywanie problemów z wyjątkami modułów w programie Machine Learning Studio (wersja klasyczna) przy użyciu kodów błędów

  • Artykuł

Ważne

Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.

Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).

Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.

Dowiedz się więcej o komunikatach o błędach i kodach wyjątków, które mogą wystąpić podczas korzystania z modułów w programie Machine Learning Studio (wersja klasyczna).

Aby rozwiązać ten problem, poszukaj błędu w tym artykule, aby przeczytać o typowych przyczynach. Istnieją dwa sposoby uzyskania pełnego tekstu komunikatu o błędzie w programie Studio (wersja klasyczna):

  • Kliknij link Wyświetl dziennik danych wyjściowych w okienku po prawej stronie i przewiń do dołu. Szczegółowy komunikat o błędzie jest wyświetlany w dwóch ostatnich wierszach okna.

  • Wybierz moduł, który zawiera błąd, a następnie kliknij czerwony symbol X. Zostanie wyświetlony tylko trafny tekst błędu.

Jeśli tekst komunikatu o błędzie nie jest przydatny, wyślij nam informacje o kontekście i wszelkich żądanych dodaniu lub zmianach. Możesz przesłać opinię na temat błędu lub odwiedzić forum Machine Learning Studio (wersja klasyczna) i opublikować pytanie.

Błąd 0001

Wyjątek występuje, jeśli nie można odnaleźć co najmniej jednej określonej kolumny zestawu danych.

Ten błąd zostanie wyświetlony, jeśli wybrano kolumnę dla modułu, ale wybrane kolumny nie istnieją w zestawie danych wejściowych. Ten błąd może wystąpić, jeśli ręcznie wpisana nazwa kolumny lub jeśli selektor kolumn podał sugerowaną kolumnę, która nie istniała w zestawie danych podczas uruchamiania eksperymentu.

Rozdzielczość: Ponownie sprawdź moduł zgłaszający ten wyjątek i sprawdź, czy nazwa kolumny lub nazwy są poprawne i że istnieją wszystkie przywoływanych kolumn.

Komunikaty o wyjątkach
Nie można odnaleźć co najmniej jednej określonej kolumny
Nie można odnaleźć kolumny o nazwie lub indeksie "{0}"
Kolumna o nazwie lub indeksie "{0}" nie istnieje w ciągu "{1}"

Błąd 0002

Wyjątek występuje, jeśli nie można przeanalizować ani przekonwertować jednego lub większej liczby parametrów z określonego typu na wymagany przez typ metody docelowej.

Ten błąd występuje w Machine Learning podczas określania parametru jako danych wejściowych, a typ wartości różni się od oczekiwanego typu, a nie można wykonać niejawnej konwersji.

Rozdzielczość: Sprawdź wymagania modułu i określ wymagany typ wartości (ciąg, liczba całkowita, podwójna itp.)

Komunikaty o wyjątkach
Nie można przeanalizować parametru
Nie można przeanalizować parametru "{0}"
Nie można przeanalizować (przekonwertować) parametru "{0}" na "{1}"
Nie można przekonwertować parametru "{0}" z "{1}" na "{2}"
Nie można przekonwertować wartości parametru "{0}{1}" z "{2}" na "{3}"
Nie można przekonwertować wartości "{0}" w kolumnie "{1}" z "{2}" na "{3}" przy użyciu podanego formatu "{4}"

Błąd 0003

Wyjątek występuje, jeśli co najmniej jeden z danych wejściowych ma wartość null lub jest pusty.

Ten błąd zostanie wyświetlony w Machine Learning, jeśli jakiekolwiek dane wejściowe lub parametry modułu mają wartość null lub są puste. Ten błąd może wystąpić na przykład wtedy, gdy nie wpisana została żadna wartość parametru. Może się to zdarzyć również w przypadku wybrania zestawu danych z brakującymi wartościami lub pustego zestawu danych.

Rozwiązanie:

  • Otwórz moduł, który wygenerował wyjątek i sprawdź, czy zostały określone wszystkie dane wejściowe. Upewnij się, że określono wszystkie wymagane dane wejściowe.
  • Upewnij się, że dane załadowane z usługi Azure Storage są dostępne i że nazwa konta lub klucz nie uległy zmianie.
  • Sprawdź dane wejściowe pod kątem brakujących wartości lub wartości null.
  • Jeśli używasz zapytania w źródle danych, sprawdź, czy dane są zwracane w oczekiwanym formacie.
  • Sprawdź pisownię lub inne zmiany w specyfikacji danych.
Komunikaty o wyjątkach
Co najmniej jeden z danych wejściowych ma wartość null lub jest pusty
Dane wejściowe "{0}" mają wartość null lub są puste

Błąd 0004

Wyjątek występuje, jeśli parametr jest mniejszy lub równy określonej wartości.

Ten błąd zostanie wyświetlony w Machine Learning, jeśli parametr w komunikacie jest poniżej wartości granic wymaganej do przetworzenia danych przez moduł.

Rozdzielczość: Ponownie przejdź do modułu zgłaszającego wyjątek i zmodyfikuj parametr tak, aby był większy niż określona wartość.

Komunikaty o wyjątkach
Parametr powinien być większy niż wartość granicy.
Wartość parametru "{0}" powinna być większa niż {1}.
Parametr "{0}" ma wartość "{1}", która powinna być większa niż {2}

Błąd 0005

Wyjątek występuje, jeśli parametr jest mniejszy niż określona wartość.

Ten błąd zostanie wyświetlony w Machine Learning, jeśli parametr w komunikacie jest niższy lub równy wartości granicy wymaganej do przetworzenia danych przez moduł.

Rozdzielczość: Ponownie przejdź do modułu zgłaszającego wyjątek i zmodyfikuj parametr tak, aby był większy lub równy określonej wartości.

Komunikaty o wyjątkach
Parametr powinien być większy lub równy wartości granicy.
Wartość parametru "{0}" powinna być większa lub równa {1}.
Parametr "{0}" ma wartość "{1}", która powinna być większa lub równa {2}.

Błąd 0006

Wyjątek występuje, jeśli parametr jest większy lub równy określonej wartości.

Ten błąd zostanie wyświetlony w Machine Learning, jeśli parametr w komunikacie jest większy lub równy wartości granicy wymaganej przez moduł do przetwarzania danych.

Rozdzielczość: Ponownie przejdź do modułu zgłaszającego wyjątek i zmodyfikuj parametr tak, aby był mniejszy niż określona wartość.

Komunikaty o wyjątkach
Niezgodność parametrów. Jeden z parametrów powinien być mniejszy niż inny.
Wartość parametru "{0}" powinna być mniejsza niż wartość parametru "{1}".
Parametr "{0}" ma wartość "{1}", która powinna być mniejsza niż {2}.

Błąd 0007

Wyjątek występuje, jeśli parametr jest większy niż określona wartość.

Ten błąd zostanie wyświetlony w Machine Learning, jeśli we właściwościach modułu zostanie określona wartość większa niż jest dozwolona. Można na przykład określić dane spoza zakresu obsługiwanych dat lub wskazać, że można użyć pięciu kolumn, gdy dostępne są tylko trzy kolumny.

Ten błąd może również zostać wyświetlony, jeśli określasz dwa zestawy danych, które muszą być w jakiś sposób zgodne. Jeśli na przykład zmieniasz nazwy kolumn i określasz kolumny według indeksu, liczba podanych nazw musi być zgodna z liczbą indeksów kolumn. Innym przykładem może być operacja matematyczna, która używa dwóch kolumn, gdzie kolumny muszą mieć taką samą liczbę wierszy.

Rozwiązanie:

  • Otwórz moduł i przejrzyj wszystkie ustawienia właściwości liczbowych.
  • Upewnij się, że wszystkie wartości parametrów mieszczą się w obsługiwanym zakresie wartości dla tej właściwości.
  • Jeśli moduł przyjmuje wiele danych wejściowych, upewnij się, że dane wejściowe mają ten sam rozmiar.
  • Jeśli moduł ma wiele właściwości, które można ustawić, upewnij się, że powiązane właściwości mają odpowiednie wartości. Jeśli na przykład używasz opcji Grupuj dane do pojemników, jeśli używasz opcji określania niestandardowych krawędzi pojemników, liczba pojemników musi odpowiadać liczbie wartości podanych jako granice pojemnika.
  • Sprawdź, czy zestaw danych lub źródło danych uległy zmianie. Czasami wartość, która działała z poprzednią wersją danych, zakończy się niepowodzeniem po zmianie liczby kolumn, typów danych kolumn lub rozmiaru danych.
Komunikaty o wyjątkach
Niezgodność parametrów. Jeden z parametrów powinien być mniejszy lub równy innemu.
Wartość parametru "{0}" powinna być mniejsza lub równa wartości parametru "{1}".
Parametr "{0}" ma wartość "{1}", która powinna być mniejsza lub równa {2}.

Błąd 0008

Wyjątek występuje, jeśli parametr nie znajduje się w zakresie.

Ten błąd zostanie wyświetlony w Machine Learning, jeśli parametr w komunikacie wykracza poza granice wymagane przez moduł do przetwarzania danych.

Na przykład ten błąd jest wyświetlany, jeśli spróbujesz użyć polecenia Dodaj wiersze , aby połączyć dwa zestawy danych, które mają inną liczbę kolumn.

Rozdzielczość: Ponownie przejdź do modułu zgłaszającego wyjątek i zmodyfikuj parametr , aby mieścił się w określonym zakresie.

Komunikaty o wyjątkach
Wartość parametru nie znajduje się w określonym zakresie.
Wartość parametru "{0}" nie jest w zakresie.
Wartość parametru "{0}" powinna być w zakresie [{1}, {2}].

Błąd 0009

Wyjątek występuje, gdy nazwa konta magazynu platformy Azure lub nazwa kontenera jest niepoprawnie określona.

Ten błąd występuje w programie Machine Learning Studio (wersja klasyczna) podczas określania parametrów konta usługi Azure Storage, ale nie można rozpoznać nazwy lub hasła. Błędy dotyczące haseł lub nazw kont mogą wystąpić z wielu powodów:

  • Konto jest nieprawidłowym typem. Niektóre nowe typy kont nie są obsługiwane do użycia z programem Machine Learning Studio (wersja klasyczna). Aby uzyskać szczegółowe informacje, zobacz Importowanie danych .
  • Wprowadzono nieprawidłową nazwę konta
  • Konto już nie istnieje
  • Hasło dla konta magazynu jest nieprawidłowe lub zostało zmienione
  • Nie określono nazwy kontenera lub kontener nie istnieje
  • Nie określono w pełni ścieżki pliku (ścieżki do obiektu blob)

Rozwiązanie:

Takie problemy często występują podczas próby ręcznego wprowadzenia nazwy konta, hasła lub ścieżki kontenera. Zalecamy użycie nowego kreatora dla modułu Import Data (Importowanie danych ), który ułatwia wyszukiwanie i sprawdzanie nazw.

Sprawdź również, czy konto, kontener lub obiekt blob zostały usunięte. Użyj innego narzędzia usługi Azure Storage, aby sprawdzić, czy nazwa konta i hasło zostały wprowadzone poprawnie oraz czy kontener istnieje.

Niektóre nowsze typy kont nie są obsługiwane przez Machine Learning. Na przykład do uczenia maszynowego nie można używać nowych typów magazynów "gorąca" lub "zimna". Zarówno klasyczne konta magazynu, jak i konta magazynu utworzone jako "Ogólnego przeznaczenia" działają prawidłowo.

Jeśli określono pełną ścieżkę do obiektu blob, sprawdź, czy ścieżka jest określona jako kontener/nazwa obiektu blob oraz czy na koncie istnieje zarówno kontener, jak i obiekt blob.

Ścieżka nie powinna zawierać ukośnika wiodącego. Na przykład /container/blob jest niepoprawny i powinien zostać wprowadzony jako kontener/obiekt blob.

Zasoby

Zapoznaj się z tym artykułem, aby zapoznać się z opisem różnych obsługiwanych opcji magazynowania: Importowanie danych do programu Machine Learning Studio (wersja klasyczna) z różnych źródeł danych online za pomocą modułu Importowanie danych

Przykładowe eksperymenty

Zapoznaj się z tymi eksperymentami w galerii analizy Cortana, aby zapoznać się z przykładami nawiązywania połączenia z różnymi źródłami danych:

Komunikaty o wyjątkach
Nazwa konta magazynu platformy Azure lub nazwa kontenera jest niepoprawna.
Nazwa konta magazynu platformy Azure "" lub nazwa kontenera "{0}{1}" jest nieprawidłowa. Oczekiwano nazwy kontenera/obiektu blob formatu.

Błąd 0010

Wyjątek występuje, jeśli wejściowe zestawy danych mają nazwy kolumn, które powinny być zgodne, ale nie.

Ten błąd zostanie wyświetlony w Machine Learning, jeśli indeks kolumny w komunikacie ma różne nazwy kolumn w dwóch wejściowych zestawach danych.

Rozdzielczość: Użyj opcji Edytuj metadane lub zmodyfikuj oryginalny zestaw danych, aby mieć taką samą nazwę kolumny dla określonego indeksu kolumny.

Komunikaty o wyjątkach
Kolumny z odpowiednim indeksem w wejściowych zestawach danych mają różne nazwy.
Nazwy kolumn nie są takie same dla kolumn {0} (opartych na zerach) wejściowych zestawów danych ({1} i {2} odpowiednio).

Błąd 0011

Wyjątek występuje, jeśli przekazany argument zestawu kolumn nie ma zastosowania do żadnej kolumny zestawu danych.

Ten błąd zostanie wyświetlony w Machine Learning, jeśli wybrany kolumna nie pasuje do żadnej z kolumn w danym zestawie danych.

Ten błąd można również uzyskać, jeśli nie wybrano kolumny, a co najmniej jedna kolumna jest wymagana do działania modułu.

Rozdzielczość: Zmodyfikuj wybór kolumny w module, tak aby był stosowany do kolumn w zestawie danych.

Jeśli moduł wymaga wybrania określonej kolumny, takiej jak kolumna etykiety, sprawdź, czy wybrano odpowiednią kolumnę.

Jeśli wybrano nieodpowiednie kolumny, usuń je i ponownie uruchom eksperyment.

Komunikaty o wyjątkach
Określony zestaw kolumn nie ma zastosowania do żadnej kolumny zestawu danych.
Określony zestaw kolumn "{0}" nie ma zastosowania do żadnej kolumny zestawu danych.

Błąd 0012

Wyjątek występuje, jeśli nie można utworzyć wystąpienia klasy z przekazanym zestawem argumentów.

Rozdzielczość: Ten błąd nie może działać przez użytkownika i zostanie wycofany w przyszłej wersji.

Komunikaty o wyjątkach
Nietrenowany model, najpierw wytrenuj model.
Nietrenowany model ({0}), użyj wytrenowanego modelu.

Błąd 0013

Wyjątek występuje, jeśli osoba ucząca przekazana do modułu jest nieprawidłowym typem.

Ten błąd występuje za każdym razem, gdy wytrenowany model jest niezgodny z połączonym modułem oceniania. Na przykład połączenie danych wyjściowych modułu Train Matchbox Recommender z modułem Score Model (zamiast Score Matchbox Recommender) spowoduje wygenerowanie tego błędu po uruchomieniu eksperymentu.

Rozwiązanie:

Określ typ ucznia, który jest generowany przez moduł szkoleniowy, i ustal moduł oceniania, który jest odpowiedni dla ucznia.

Jeśli model został wytrenowany przy użyciu dowolnego z wyspecjalizowanych modułów szkoleniowych, połącz wytrenowany model tylko z odpowiednim wyspecjalizowanym modułem oceniania.

Typ modelu Moduł szkoleniowy Moduł oceniania
dowolny klasyfikator Trenowaniehiperparametrów modelu lub dostrajanie modelu Klasyfikacja modelu
dowolny model regresji Trenowaniehiperparametrów modelu lub dostrajanie modelu Klasyfikacja modelu
modele klastrowania Trenowanie modelu klastrowania lub zamiatanie klastrowania Przypisywanie danych do klastrów
wykrywanie anomalii — One-Class maszyny wektorów nośnych Trenowanie modelu wykrywania anomalii Klasyfikacja modelu
wykrywanie anomalii — PCA Trenowaniehiperparametrów modelu lub dostrajanie modelu Generowanie wyników dla modelu
Aby ocenić model, wymagane są pewne dodatkowe kroki.
wykrywanie anomalii — szeregi czasowe Wykrywanie anomalii szeregów czasowych Model trenuje na podstawie danych i generuje wyniki. Moduł nie tworzy wytrenowanego ucznia i nie jest wymagane żadne dodatkowe ocenianie.
model rekomendacji Train Matchbox Recommender Moduł polecający pole dopasowania wyników
klasyfikacja obrazów Wstępnie wytrenowana klasyfikacja obrazów kaskadowych Klasyfikacja modelu
Modele Vowpal Wabbit Trenowanie modelu Vowpal Wabbit w wersji 7-4 Ocena modelu Vowpal Wabbit w wersji 7-4
Modele Vowpal Wabbit Trenowanie modelu Vowpal Wabbit w wersji 7-10 Ocena modelu Vowpal Wabbit w wersji 7-10
Modele Vowpal Wabbit Trenowanie modelu Vowpal Wabbit w wersji 8 Ocena modelu Vowpal Wabbit w wersji 8
Komunikaty o wyjątkach
Uczeń nieprawidłowego typu jest przekazywany.
Uczeń "{0}" ma nieprawidłowy typ.

Błąd 0014

Wyjątek występuje, jeśli liczba unikatowych wartości kolumn jest większa niż dozwolona.

Ten błąd występuje, gdy kolumna zawiera zbyt wiele unikatowych wartości. Na przykład ten błąd może zostać wyświetlony, jeśli określisz, że kolumna będzie obsługiwana jako dane kategorii, ale w kolumnie istnieje zbyt wiele unikatowych wartości, aby umożliwić ukończenie przetwarzania. Ten błąd może również wystąpić, jeśli istnieje niezgodność między liczbą unikatowych wartości w dwóch danych wejściowych.

Rozwiązanie:

Otwórz moduł, który wygenerował błąd, i zidentyfikuj kolumny używane jako dane wejściowe. W przypadku niektórych modułów możesz kliknąć prawym przyciskiem myszy dane wejściowe zestawu danych i wybrać pozycję Visualize (Wizualizacja ), aby uzyskać statystyki dotyczące poszczególnych kolumn, w tym liczbę unikatowych wartości i ich rozkład.

W przypadku kolumn, które mają być używane do grupowania lub kategoryzacji, wykonaj kroki w celu zmniejszenia liczby unikatowych wartości w kolumnach. Można zmniejszyć na różne sposoby, w zależności od typu danych kolumny.

Porada

Nie można znaleźć rozwiązania zgodnego ze scenariuszem? Możesz przekazać opinię na ten temat, który zawiera nazwę modułu, który wygenerował błąd, oraz typ danych i kardynalność kolumny. Użyjemy tych informacji, aby zapewnić bardziej ukierunkowane kroki rozwiązywania problemów dla typowych scenariuszy.

Komunikaty o wyjątkach
Liczba unikatowych wartości kolumn jest większa niż dozwolona.
Liczba unikatowych wartości w kolumnie: "{0}" przekracza liczbę krotki .{1}

Błąd 0015

Wyjątek występuje, jeśli połączenie z bazą danych nie powiodło się.

Ten błąd zostanie wyświetlony, jeśli wprowadzisz niepoprawną nazwę konta SQL, hasło, serwer bazy danych lub nazwę bazy danych albo jeśli nie można nawiązać połączenia z bazą danych lub serwerem.

Rozdzielczość: Sprawdź, czy nazwa konta, hasło, serwer bazy danych i baza danych zostały wprowadzone poprawnie oraz czy określone konto ma prawidłowy poziom uprawnień. Sprawdź, czy baza danych jest obecnie dostępna.

Komunikaty o wyjątkach
Błąd podczas nawiązywania połączenia z bazą danych.
Błąd podczas nawiązywania połączenia z bazą danych: {0}.

Błąd 0016

Wyjątek występuje, jeśli wejściowe zestawy danych przekazane do modułu powinny mieć zgodne typy kolumn, ale nie.

Ten błąd zostanie wyświetlony w Machine Learning, jeśli typy kolumn przekazanych w co najmniej dwóch zestawach danych nie są ze sobą zgodne.

Rozdzielczość: Użyj opcji Edytuj metadane, zmodyfikuj oryginalny wejściowy zestaw danych lub użyj polecenia Konwertuj na zestaw danych , aby upewnić się, że typy kolumn są zgodne.

Komunikaty o wyjątkach
Kolumny z odpowiednim indeksem w wejściowych zestawach danych mają niezgodne typy.
Kolumny {0} i {1} są niezgodne.
Typy elementów kolumn nie są zgodne z kolumnami {0} (opartymi na zerach) wejściowych zestawów danych ({1} i {2} odpowiednio).

Błąd 0017

Wyjątek występuje, jeśli wybrana kolumna używa typu danych, który nie jest obsługiwany przez bieżący moduł.

Na przykład ten błąd może wystąpić w Machine Learning, jeśli wybór kolumny zawiera kolumnę z typem danych, którego nie można przetworzyć przez moduł, na przykład kolumny ciągu dla operacji matematycznej lub kolumny oceny, w której wymagana jest kolumna funkcji kategorii.

Rozwiązanie:

  1. Zidentyfikuj kolumnę, która jest problemem.
  2. Zapoznaj się z wymaganiami modułu.
  3. Zmodyfikuj kolumnę, aby była zgodna z wymaganiami. Może być konieczne użycie kilku z następujących modułów w celu wprowadzenia zmian w zależności od kolumny i próby konwersji:
  4. W ostateczności może być konieczne zmodyfikowanie oryginalnego wejściowego zestawu danych.

Porada

Nie można znaleźć rozwiązania zgodnego ze scenariuszem? Możesz przekazać opinię na ten temat, który zawiera nazwę modułu, który wygenerował błąd, oraz typ danych i kardynalność kolumny. Użyjemy tych informacji, aby zapewnić bardziej ukierunkowane kroki rozwiązywania problemów dla typowych scenariuszy.

Komunikaty o wyjątkach
Nie można przetworzyć kolumny bieżącego typu. Typ nie jest obsługiwany przez moduł .
Nie można przetworzyć kolumny typu {0}. Typ nie jest obsługiwany przez moduł .
Nie można przetworzyć kolumny "{1}" typu {0}. Typ nie jest obsługiwany przez moduł .
Nie można przetworzyć kolumny "{1}" typu {0}. Typ nie jest obsługiwany przez moduł . Nazwa parametru: {2}

Błąd 0018

Wyjątek występuje, jeśli wejściowy zestaw danych jest nieprawidłowy.

Rozdzielczość: Ten błąd w Machine Learning może występować w wielu kontekstach, więc nie ma jednej rozdzielczości. Ogólnie rzecz biorąc, błąd wskazuje, że dane podane jako dane wejściowe modułu mają nieprawidłową liczbę kolumn lub że typ danych nie spełnia wymagań modułu. Przykład:

  • Moduł wymaga kolumny etykiety, ale żadna kolumna nie jest oznaczona jako etykieta lub nie została jeszcze wybrana kolumna etykiety.

  • Moduł wymaga kategorycznych danych, ale dane są liczbowe.

  • Moduł wymaga określonego typu danych. Na przykład klasyfikacje dostarczane do modułu polecającego Train Matchbox mogą być liczbowe lub podzielone na kategorie, ale nie mogą być liczbami zmiennoprzecinkowami.

  • Dane są w niewłaściwym formacie.

  • Zaimportowane dane zawierają nieprawidłowe znaki, złe wartości lub wartości poza zakresem.

  • Kolumna jest pusta lub zawiera zbyt wiele brakujących wartości.

Aby określić wymagania i sposób, w jaki dane mogą być używane, zapoznaj się z tematem pomocy dotyczącym modułu, który będzie używać zestawu danych jako danych wejściowych.

Zalecamy również używanie funkcji Summarize Data lub Compute Elementary Statistics do profilowania danych i używania tych modułów do naprawiania metadanych i czystych wartości: Edytowanie metadanych, Czyszczenie brakujących danych, Wartości wycinków.

Komunikaty o wyjątkach
Zestaw danych jest nieprawidłowy.
{0} zawiera nieprawidłowe dane.
{0} i {1} powinny być spójne kolumny mądre.

Błąd 0019

Wyjątek występuje, jeśli kolumna ma zawierać posortowane wartości, ale nie.

Ten błąd zostanie wyświetlony w Machine Learning, jeśli określone wartości kolumn są poza kolejnością.

Rozdzielczość: Posortuj wartości kolumn, ręcznie modyfikując wejściowy zestaw danych i ponownie uruchamiając moduł.

Komunikaty o wyjątkach
Wartości w kolumnie nie są sortowane.
Wartości w kolumnie "{0}" nie są sortowane.
Wartości w kolumnie "" zestawu danych "{0}{1}" nie są sortowane.

Błąd 0020

Wyjątek występuje, jeśli liczba kolumn w niektórych zestawach danych przekazanych do modułu jest zbyt mała.

Ten błąd zostanie wyświetlony w Machine Learning, jeśli nie wybrano wystarczającej liczby kolumn dla modułu.

Rozdzielczość: Ponownie sprawdź moduł i upewnij się, że selektor kolumn ma wybraną prawidłową liczbę kolumn.

Komunikaty o wyjątkach
Liczba kolumn w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna.
Liczba kolumn w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna liczba {0} kolumn.
Liczba kolumn w wejściowym zestawie danych "{0}" jest mniejsza niż dozwolona minimalna liczba {1} kolumn.

Błąd 0021

Wyjątek występuje, jeśli liczba wierszy w niektórych zestawach danych przekazanych do modułu jest za mała.

Ten błąd widoczny w Machine Learning, gdy w zestawie danych nie ma wystarczającej liczby wierszy, aby wykonać określoną operację. Na przykład ten błąd może wystąpić, jeśli wejściowy zestaw danych jest pusty lub jeśli próbujesz wykonać operację, która wymaga prawidłowej minimalnej liczby wierszy. Takie operacje mogą obejmować (ale nie tylko) grupowanie lub klasyfikację na podstawie metod statystycznych, niektórych typów kwantowania i uczenia się z liczbami.

Rozwiązanie:

  • Otwórz moduł, który zwrócił błąd, i sprawdź właściwości wejściowego zestawu danych i modułu.
  • Sprawdź, czy wejściowy zestaw danych nie jest pusty i że istnieje wystarczająca liczba wierszy danych, aby spełnić wymagania opisane w pomocy modułu.
  • Jeśli dane są ładowane ze źródła zewnętrznego, upewnij się, że źródło danych jest dostępne i że nie ma błędu lub zmiany definicji danych, co spowodowałoby uzyskanie mniejszej liczby wierszy przez proces importowania.
  • Jeśli wykonujesz operację na nadrzędnym strumieniu danych modułu, który może mieć wpływ na typ danych lub liczbę wartości, takich jak czyszczenie, dzielenie lub operacje łączenia, sprawdź dane wyjściowe tych operacji, aby określić liczbę zwracanych wierszy.

Błąd 0022

Wyjątek występuje, jeśli liczba wybranych kolumn w wejściowym zestawie danych nie jest równa oczekiwanej liczbie.

Ten błąd w Machine Learning może wystąpić, gdy moduł podrzędny lub operacja wymaga określonej liczby kolumn lub danych wejściowych, a podano zbyt mało lub zbyt wiele kolumn lub danych wejściowych. Przykład:

  • Należy określić kolumnę z pojedynczą etykietą lub kolumnę klucza i przypadkowo wybrać wiele kolumn.

  • Zmieniasz nazwy kolumn, ale podano więcej lub mniej nazw niż kolumny.

  • Liczba kolumn w źródle lub miejscu docelowym została zmieniona lub nie jest zgodna z liczbą kolumn używanych przez moduł.

  • Podano rozdzielaną przecinkami listę wartości dla danych wejściowych, ale liczba wartości nie jest zgodna lub wiele danych wejściowych nie jest obsługiwanych.

Rozdzielczość: Ponownie sprawdź moduł i zaznacz zaznaczenie kolumny, aby upewnić się, że wybrano prawidłową liczbę kolumn. Sprawdź dane wyjściowe modułów nadrzędnych oraz wymagania dotyczące operacji podrzędnych.

Jeśli użyto jednej z opcji wyboru kolumn, które mogą wybrać wiele kolumn (indeksy kolumn, wszystkie funkcje, wszystkie wartości liczbowe itp.), zweryfikuj dokładną liczbę kolumn zwracanych przez zaznaczenie.

Jeśli próbujesz określić rozdzielaną przecinkami listę zestawów danych jako dane wejściowe do rozpakowywania spakowanych zestawów danych, rozpakuj tylko jeden zestaw danych jednocześnie. Wiele danych wejściowych nie jest obsługiwanych.

Sprawdź, czy liczba lub typ kolumn nadrzędnych nie uległ zmianie.

Jeśli używasz zestawu danych rekomendacji do trenowania modelu, pamiętaj, że moduł polecający oczekuje ograniczonej liczby kolumn odpowiadających parom elementów użytkownika lub klasyfikacjom elementów użytkownika. Usuń dodatkowe kolumny przed trenowaniem modelu lub dzielenie zestawów danych rekomendacji. Aby uzyskać więcej informacji, zobacz Podział danych.

Komunikaty o wyjątkach
Liczba wybranych kolumn w wejściowym zestawie danych nie jest równa oczekiwanej liczbie.
Liczba wybranych kolumn w wejściowym zestawie danych nie jest równa {0}.
Wzorzec wyboru kolumny "{0}" zawiera liczbę wybranych kolumn w wejściowym zestawie danych, które nie są równe {1}.
Wzorzec wyboru kolumny "{0}" powinien udostępniać {1} kolumny wybrane w wejściowym zestawie danych, ale {2} podano kolumny.

Błąd 0023

Wyjątek występuje, jeśli kolumna docelowa wejściowego zestawu danych jest nieprawidłowa dla bieżącego modułu trenera.

Ten błąd w Machine Learning występuje, jeśli kolumna docelowa (wybrana w parametrach modułu) nie jest prawidłowym typem danych, zawierała wszystkie brakujące wartości lub nie była kategoryczna zgodnie z oczekiwaniami.

Rozdzielczość: Ponownie sprawdź dane wejściowe modułu, aby sprawdzić zawartość kolumny label/target. Upewnij się, że nie ma wszystkich brakujących wartości. Jeśli moduł oczekuje, że kolumna docelowa ma być podzielona na kategorie, upewnij się, że w kolumnie docelowej znajduje się więcej niż jedna odrębna wartość.

Komunikaty o wyjątkach
Wejściowy zestaw danych ma nieobsługiwaną kolumnę docelową.
Wejściowy zestaw danych ma nieobsługiwaną kolumnę docelową "{0}".
Wejściowy zestaw danych ma nieobsługiwaną kolumnę docelową "{0}" dla osoby uczącej się typu {1}.

Błąd 0024

Wyjątek występuje, jeśli zestaw danych nie zawiera kolumny etykiety.

Ten błąd w Machine Learning występuje, gdy moduł wymaga kolumny etykiety, a zestaw danych nie ma kolumny etykiety. Na przykład ocena obliczonego zestawu danych zwykle wymaga, aby kolumna etykiety przedstawiała metryki dokładności obliczeń.

Może się również zdarzyć, że kolumna etykiety znajduje się w zestawie danych, ale nie została wykryta poprawnie przez Machine Learning.

Rozwiązanie:

  • Otwórz moduł, który wygenerował błąd, i ustal, czy kolumna etykiety jest obecna. Nazwa lub typ danych kolumny nie ma znaczenia, o ile kolumna zawiera pojedynczy wynik (lub zmienną zależną), który próbujesz przewidzieć. Jeśli nie masz pewności, która kolumna ma etykietę, poszukaj nazwy ogólnej, takiej jak Klasa lub Cel.
  • Jeśli zestaw danych nie zawiera kolumny etykiety, możliwe, że kolumna etykiety została jawnie lub przypadkowo usunięta jako nadrzędna. Może się również okazać, że zestaw danych nie jest wyjściem nadrzędnego modułu oceniania.
  • Aby jawnie oznaczyć kolumnę jako kolumnę etykiety, dodaj moduł Edit Metadata (Edytuj metadane ) i połącz zestaw danych. Wybierz tylko kolumnę etykiety, a następnie wybierz pozycję Etykieta z listy rozwijanej Pola .
  • Jeśli nieprawidłowa kolumna zostanie wybrana jako etykieta, możesz wybrać pozycję Wyczyść etykietęz pola, aby naprawić metadane w kolumnie.
Komunikaty o wyjątkach
W zestawie danych nie ma kolumny etykiety.
Brak kolumny etykiety w ciągu "{0}".

Błąd 0025

Wyjątek występuje, jeśli zestaw danych nie zawiera kolumny wyników.

Ten błąd w Machine Learning występuje, jeśli dane wejściowe do modelu oceny nie zawierają prawidłowych kolumn oceny. Na przykład użytkownik próbuje ocenić zestaw danych, zanim został wygenerowany z prawidłowym wytrenowanym modelem, lub kolumna oceny została jawnie porzucona w górę. Ten wyjątek występuje również wtedy, gdy kolumny oceny dla dwóch zestawów danych są niezgodne. Na przykład możesz próbować porównać dokładność regresji liniowej z klasyfikatorem binarnym.

Rozdzielczość: Ponownie sprawdź dane wejściowe w modelu oceny i sprawdź, czy zawiera co najmniej jedną kolumnę oceny. Jeśli nie, zestaw danych nie został wygenerowany lub kolumny oceny zostały porzucone w module nadrzędnym.

Komunikaty o wyjątkach
W zestawie danych nie ma kolumny score.
Brak kolumny wyników w ciągu "{0}".
W kolumnie "{0}" nie ma kolumny wyników utworzonej przez element "{1}". Ocenianie zestawu danych przy użyciu poprawnego typu ucznia.

Błąd 0026

Wyjątek występuje, jeśli kolumny o tej samej nazwie są niedozwolone.

Ten błąd w Machine Learning występuje, jeśli wiele kolumn ma taką samą nazwę. Jeden ze sposobów, w jaki ten błąd może wystąpić, jest to, że zestaw danych nie ma automatycznie przypisanych nazw wierszy nagłówka, a nazwy kolumn: Col0, Col1 itp.

Rozdzielczość: Jeśli kolumny mają taką samą nazwę, wstaw moduł Edit Metadata (Edytuj metadane ) między wejściowym zestawem danych a modułem . Użyj selektora kolumn w obszarze Edytuj metadane , aby wybrać kolumny do zmiany nazwy, wpisując nowe nazwy w polu tekstowym New column names (Nowe nazwy kolumn ).

Komunikaty o wyjątkach
Równe nazwy kolumn są określane w argumentach. Takie same nazwy kolumn nie są dozwolone przez moduł.
Równe nazwy kolumn w argumentach "{0}" i "{1}" są niedozwolone. Określ różne nazwy.

Błąd 0027

Wyjątek występuje w przypadku, gdy dwa obiekty muszą mieć ten sam rozmiar, ale nie.

Jest to typowy błąd w Machine Learning i może być spowodowany wieloma warunkami.

Rozdzielczość: Nie ma konkretnego rozwiązania. Można jednak sprawdzić warunki, takie jak:

  • Jeśli zmieniasz nazwy kolumn, upewnij się, że każda lista (kolumny wejściowe i lista nowych nazw) ma taką samą liczbę elementów.

  • Jeśli łączysz lub łączysz dwa zestawy danych, upewnij się, że mają one ten sam schemat.

  • Jeśli łączysz dwa zestawy danych z wieloma kolumnami, upewnij się, że kolumny kluczy mają ten sam typ danych, a następnie wybierz opcję Zezwalaj na duplikaty i zachowaj kolejność kolumn w zaznaczeniu.

Komunikaty o wyjątkach
Rozmiar przekazanych obiektów jest niespójny.
Rozmiar "{0}" jest niespójny z rozmiarem "{1}".

Błąd 0028

Wyjątek występuje w przypadku, gdy zestaw kolumn zawiera zduplikowane nazwy kolumn i nie jest dozwolony.

Ten błąd w Machine Learning występuje, gdy nazwy kolumn są zduplikowane, czyli nie unikatowe.

Rozdzielczość: Jeśli jakiekolwiek kolumny mają taką samą nazwę, dodaj wystąpienie funkcji Edytuj metadane między wejściowym zestawem danych a modułem, który zgłasza błąd. Użyj selektora kolumn w obszarze Edytuj metadane , aby wybrać kolumny do zmiany nazwy, a następnie wpisz nowe nazwy kolumn w polu tekstowym Nowe nazwy kolumn . Jeśli zmieniasz nazwy wielu kolumn, upewnij się, że wartości wpisywane w nazwach nowych kolumn są unikatowe.

Komunikaty o wyjątkach
Zestaw kolumn zawiera zduplikowane nazwy kolumn.
Nazwa "{0}" jest zduplikowana.
Nazwa "{0}" jest zduplikowana w ciągu "{1}".

Błąd 0029

Wyjątek występuje w przypadku przekazania nieprawidłowego identyfikatora URI.

Ten błąd w Machine Learning występuje w przypadku przekazania nieprawidłowego identyfikatora URI. Ten błąd zostanie wyświetlony, jeśli którykolwiek z następujących warunków ma wartość true:, lub.

  • Identyfikator URI publicznej lub sygnatury dostępu współdzielonego podany dla Azure Blob Storage dla odczytu lub zapisu zawiera błąd.

  • Przedział czasu sygnatury dostępu współdzielonego wygasł.

  • Adres URL sieci Web za pośrednictwem źródła HTTP reprezentuje plik lub identyfikator URI sprzężenia zwrotnego.

  • Adres URL sieci Web za pośrednictwem protokołu HTTP zawiera niepoprawnie sformatowany adres URL.

  • Nie można rozpoznać adresu URL przez zdalne źródło.

Rozdzielczość: Ponownie sprawdź moduł i sprawdź format identyfikatora URI. Jeśli źródło danych jest adresem URL sieci Web za pośrednictwem protokołu HTTP, sprawdź, czy zamierzone źródło nie jest plikiem lub identyfikatorem URI sprzężenia zwrotnego (localhost).

Komunikaty o wyjątkach
Przekazano nieprawidłowy identyfikator URI.

Błąd 0030

Wyjątek występuje w przypadku, gdy nie można pobrać pliku.

Ten wyjątek w Machine Learning występuje, gdy nie można pobrać pliku. Otrzymasz ten wyjątek, gdy próba odczytu ze źródła HTTP nie powiodła się po trzech (3) ponownych próbach.

Rozdzielczość: Sprawdź, czy identyfikator URI źródła HTTP jest poprawny i czy witryna jest obecnie dostępna za pośrednictwem Internetu.

Komunikaty o wyjątkach
Nie można pobrać pliku.
Błąd podczas pobierania pliku: {0}.

Błąd 0031

Wyjątek występuje, jeśli liczba kolumn w zestawie kolumn jest mniejsza niż wymagana.

Ten błąd w Machine Learning występuje, jeśli liczba wybranych kolumn jest mniejsza niż wymagana. Ten błąd zostanie wyświetlony, jeśli nie wybrano minimalnej wymaganej liczby kolumn.

Rozdzielczość: Dodaj dodatkowe kolumny do zaznaczenia kolumny przy użyciu selektora kolumn.

Komunikaty o wyjątkach
Liczba kolumn w zestawie kolumn jest mniejsza niż wymagana.
{0} należy określić kolumny. Rzeczywista liczba określonych kolumn to {1}.

Błąd 0032

Wyjątek występuje, jeśli argument nie jest liczbą.

Ten błąd zostanie wyświetlony w Machine Learning, jeśli argument jest podwójny lub NaN.

Rozdzielczość: Zmodyfikuj określony argument, aby użyć prawidłowej wartości.

Komunikaty o wyjątkach
Argument nie jest liczbą.
"{0}" nie jest liczbą.

Błąd 0033

Wyjątek występuje, jeśli argument to Nieskończoność.

Ten błąd w Machine Learning występuje, jeśli argument jest nieskończony. Ten błąd zostanie wyświetlony, jeśli argument ma wartość double.NegativeInfinity lub double.PositiveInfinity.

Rozdzielczość: Zmodyfikuj określony argument jako prawidłową wartość.

Komunikaty o wyjątkach
Argument musi być skończony.
"{0}" nie jest skończony.

Błąd 0034

Wyjątek występuje, jeśli istnieje więcej niż jedna ocena dla danej pary elementów użytkownika.

Ten błąd w Machine Learning występuje w rekomendacji, jeśli para elementów użytkownika ma więcej niż jedną wartość klasyfikacji.

Rozdzielczość: Upewnij się, że para elementów użytkownika ma tylko jedną wartość klasyfikacji.

Komunikaty o wyjątkach
Istnieje więcej niż jedna ocena dla wartości w zestawie danych.
Więcej niż jedna ocena dla użytkownika {0} i elementu {1} w tabeli danych przewidywania klasyfikacji.

Błąd 0035

Wyjątek występuje, jeśli nie podano żadnych funkcji dla danego użytkownika lub elementu.

Ten błąd w Machine Learning występuje, że próbujesz użyć modelu rekomendacji do oceniania, ale nie można odnaleźć wektora funkcji.

Rozwiązanie:

Moduł polecający Matchbox ma pewne wymagania, które należy spełnić podczas korzystania z funkcji elementu lub funkcji użytkownika. Ten błąd wskazuje, że brakuje wektora funkcji dla użytkownika lub elementu podanego jako dane wejściowe. Musisz upewnić się, że wektor funkcji jest dostępny w danych dla każdego użytkownika lub elementu.

Jeśli na przykład wytrenowano model rekomendacji przy użyciu funkcji, takich jak wiek, lokalizacja lub dochód użytkownika, ale teraz chcesz utworzyć wyniki dla nowych użytkowników, którzy nie byli widziani podczas trenowania, musisz podać odpowiedni zestaw funkcji (czyli wiek, lokalizacja i dochód) dla nowych użytkowników, aby utworzyć odpowiednie przewidywania dla nich.

Jeśli nie masz żadnych funkcji dla tych użytkowników, rozważ inżynierię funkcji, aby wygenerować odpowiednie funkcje. Jeśli na przykład nie masz indywidualnych wartości wieku lub dochodu użytkownika, możesz wygenerować przybliżone wartości do użycia dla grupy użytkowników.

W przypadku oceniania w trybie rekomendacji można użyć funkcji elementu lub użytkownika tylko wtedy, gdy podczas trenowania były używane wcześniej funkcje elementu lub użytkownika. Aby uzyskać więcej informacji, zobacz Score Matchbox Recommender (Generowanie wyników pole wyboru).

Aby uzyskać ogólne informacje o sposobie działania algorytmu rekomendacji Matchbox oraz przygotowaniu zestawu danych funkcji elementów lub funkcji użytkownika, zobacz Train Matchbox Recommender (Trenowanie modułu rekomendatora matchbox).

Porada

Rozwiązanie nie dotyczy Twojej sprawy? Możesz wysłać opinię na ten artykuł i przekazać informacje o scenariuszu, w tym moduł i liczbę wierszy w kolumnie. Te informacje będą używane w celu zapewnienia bardziej szczegółowych kroków rozwiązywania problemów w przyszłości.

Komunikaty o wyjątkach
Dla wymaganego użytkownika lub elementu nie podano żadnych funkcji.
Funkcje wymagane {0} , ale nie są udostępniane.

Błąd 0036

Wyjątek występuje, jeśli dla danego użytkownika lub elementu podano wiele wektorów funkcji.

Ten błąd w Machine Learning występuje, jeśli wektor funkcji jest zdefiniowany więcej niż raz.

Rozdzielczość: Upewnij się, że wektor funkcji nie jest zdefiniowany więcej niż raz.

Komunikaty o wyjątkach
Zduplikowana definicja funkcji użytkownika lub elementu.
Zduplikowana definicja funkcji dla {0}elementu .

Błąd 0037

Wyjątek występuje, jeśli określono wiele kolumn etykiet, a tylko jedna z nich jest dozwolona.

Ten błąd w Machine Learning występuje, jeśli wybrano więcej niż jedną kolumnę jako nową kolumnę etykiety. Większość nadzorowanych algorytmów uczenia wymaga, aby pojedyncza kolumna została oznaczona jako element docelowy lub etykieta.

Rozdzielczość: Pamiętaj, aby wybrać jedną kolumnę jako nową kolumnę etykiety.

Komunikaty o wyjątkach
Określono wiele kolumn etykiet.

Błąd 0038

Wyjątek występuje, jeśli oczekiwana liczba elementów powinna być dokładną wartością, ale nie.

Ten błąd w Machine Learning występuje, jeśli liczba oczekiwanych elementów powinna być dokładną wartością, ale nie. Ten błąd zostanie wyświetlony, jeśli liczba elementów nie jest równa prawidłowej oczekiwanej wartości.

Rozdzielczość: Zmodyfikuj dane wejściowe, aby mieć prawidłową liczbę elementów.

Komunikaty o wyjątkach
Liczba elementów jest nieprawidłowa.
Liczba elementów w ciągu "{0}" jest nieprawidłowa.
Liczba elementów w elemecie "{0}" nie jest równa prawidłowej {1} liczbie elementów.

Błąd 0039

Wyjątek występuje, jeśli operacja nie powiodła się.

Ten błąd w Machine Learning występuje, gdy nie można ukończyć operacji wewnętrznej.

Rozdzielczość: Ten błąd jest spowodowany przez wiele warunków i nie ma konkretnego środka.
Poniższa tabela zawiera ogólne komunikaty dotyczące tego błędu, po których następuje określony opis warunku.

Jeśli nie są dostępne żadne szczegóły, wyślij opinię i podaj informacje o modułach, które wygenerowały błąd i powiązane warunki.

Komunikaty o wyjątkach
Operacja nie powiodła się.
Błąd podczas wykonywania operacji: {0}.

Błąd 0040

Wyjątek występuje podczas wywoływania przestarzałego modułu.

Ten błąd w Machine Learning jest generowany podczas wywoływania przestarzałego modułu.

Rozdzielczość: Zastąp przestarzały moduł obsługiwanym modułem. Zobacz dziennik danych wyjściowych modułu, aby uzyskać informacje o tym, którego modułu zamiast tego należy użyć.

Komunikaty o wyjątkach
Uzyskiwanie dostępu do przestarzałego modułu.
Moduł "{0}" jest przestarzały. Zamiast tego użyj modułu "{1}".

Błąd 0041

Wyjątek występuje podczas wywoływania przestarzałego modułu.

Ten błąd w Machine Learning jest generowany podczas wywoływania przestarzałego modułu.

Rozdzielczość: Zastąp przestarzały moduł zestawem obsługiwanych modułów. Te informacje powinny być widoczne w dzienniku danych wyjściowych modułu.

Komunikaty o wyjątkach
Uzyskiwanie dostępu do przestarzałego modułu.
Moduł "{0}" jest przestarzały. Użyj modułów "{1}" dla żądanych funkcji.

Błąd 0042

Wyjątek występuje, gdy nie można przekonwertować kolumny na inny typ.

Ten błąd w Machine Learning występuje, gdy nie można przekonwertować kolumny na określony typ. Ten błąd zostanie wyświetlony, jeśli moduł wymaga określonego typu danych, takiego jak data/godzina, tekst, liczba zmiennoprzecinkowa lub liczba całkowita, ale nie można przekonwertować istniejącej kolumny na wymagany typ.

Możesz na przykład wybrać kolumnę i spróbować przekonwertować ją na typ danych liczbowych do użycia w operacji matematycznej i uzyskać ten błąd, jeśli kolumna zawiera nieprawidłowe dane.

Inny powód, dla którego ten błąd może wystąpić, jeśli spróbujesz użyć kolumny zawierającej liczby zmiennoprzecinkowe lub wiele unikatowych wartości jako kolumny podzielonej na kategorie.

Rozwiązanie:

  • Otwórz stronę pomocy dla modułu, który wygenerował błąd, i sprawdź wymagania dotyczące typu danych.
  • Przejrzyj typy danych kolumn w wejściowym zestawie danych.
  • Sprawdź dane pochodzące z tak zwanych źródeł danych bez schematu.
  • Sprawdź zestaw danych pod kątem brakujących wartości lub znaków specjalnych, które mogą blokować konwersję na żądany typ danych.
    • Typy danych liczbowych powinny być spójne: na przykład sprawdź liczby zmiennoprzecinkowe w kolumnie liczb całkowitych.
    • Wyszukaj ciągi tekstowe lub wartości NA w kolumnie liczbowej.
    • Wartości logiczne można przekonwertować na odpowiednią reprezentację w zależności od wymaganego typu danych.
    • Sprawdzanie kolumn tekstowych pod kątem znaków innych niż Unicode, znaków tabulatora lub znaków kontrolnych
    • Dane daty/godziny powinny być spójne, aby uniknąć błędów modelowania, ale czyszczenie może być złożone ze względu na wiele formatów. Rozważ użycie modułów Execute R Script (Wykonywanie skryptu języka R ) lub Execute Python Script (Wykonywanie skryptu języka Python ) w celu przeprowadzenia oczyszczania.
  • W razie potrzeby zmodyfikuj wartości w wejściowym zestawie danych, aby kolumna mogła zostać pomyślnie przekonwertowana. Modyfikacja może obejmować kwantowanie, obcinanie lub zaokrąglanie, eliminację wartości odstających lub imputację brakujących wartości. Zapoznaj się z następującymi artykułami, aby zapoznać się z niektórymi typowymi scenariuszami przekształcania danych w uczeniu maszynowym:

Porada

Rozwiązanie niejasne, czy nie dotyczy Twojej sprawy? Zachęcamy do wysyłania opinii na ten artykuł i przekazywania informacji o scenariuszu, w tym modułu i typu danych kolumny. Te informacje będą używane do zapewnienia bardziej szczegółowych kroków rozwiązywania problemów w przyszłości.

Komunikaty o wyjątkach
Niedozwolona konwersja.
Nie można przekonwertować kolumny typu {0} na kolumnę typu {1}.
Nie można przekonwertować kolumny typu "{2}" {0} na kolumnę typu {1}.
Nie można przekonwertować kolumny "{2}" typu {0} na kolumnę "{3}" typu {1}.

Błąd 0043

Wyjątek występuje, gdy typ elementu nie implementuje jawnie equals.

Ten błąd w Machine Learning jest nieużywany i będzie przestarzały.

Rozdzielczość: Brak.

Komunikaty o wyjątkach
Nie znaleziono dostępnej metody jawnej Equals.
Nie można porównać wartości dla kolumny \"{0}\" typu {1}. Nie znaleziono dostępnej metody jawnej Equals.

Błąd 0044

Wyjątek występuje, gdy nie można utworzyć typu elementu kolumny z istniejących wartości.

Ten błąd w Machine Learning występuje, gdy nie można wywnioskować typu kolumny lub kolumn w zestawie danych. Zwykle dzieje się tak w przypadku łączenia co najmniej dwóch zestawów danych z różnymi typami elementów. Jeśli Machine Learning nie może określić wspólnego typu, który może reprezentować wszystkie wartości w kolumnie lub kolumnach bez utraty informacji, spowoduje to wygenerowanie tego błędu.

Rozdzielczość: Upewnij się, że wszystkie wartości w danej kolumnie w obu połączonych zestawach danych są jednym z tych samych typów (liczbowych, logicznych, kategorialnych, ciągów, dat itp.) lub mogą być połączone z tym samym typem.

Komunikaty o wyjątkach
Nie można utworzyć typu elementu w kolumnie.
Nie można utworzyć typu elementu dla kolumny "{0}" — wszystkie elementy są odwołaniami o wartości null.
Nie można utworzyć typu elementu dla kolumny "{0}" zestawu danych "{1}" — wszystkie elementy są odwołaniami o wartości null.

Błąd 0045

Wyjątek występuje, gdy nie można utworzyć kolumny z powodu typów elementów mieszanych w źródle.

Ten błąd w Machine Learning jest generowany, gdy typy elementów dwóch połączonych zestawów danych są różne.

Rozdzielczość: Upewnij się, że wszystkie wartości w danej kolumnie w obu połączonych zestawach danych mają ten sam typ (liczbowy, logiczny, kategorialny, ciąg, data itp.).

Komunikaty o wyjątkach
Nie można utworzyć kolumny z typami elementów mieszanych.
Nie można utworzyć kolumny o identyfikatorze "{0}" typów elementów mieszanych:\n\tType danych[{1}, {0}] jest {2}\n\tType danych[{3}, {0}] to {4}.

Błąd 0046

Wyjątek występuje, gdy nie można utworzyć katalogu na określonej ścieżce.

Ten błąd w Machine Learning występuje, gdy nie można utworzyć katalogu na określonej ścieżce. Ten błąd zostanie wyświetlony, jeśli jakakolwiek część ścieżki do katalogu wyjściowego zapytania Hive jest niepoprawna lub niedostępna.

Rozdzielczość: Ponownie sprawdź moduł i sprawdź, czy ścieżka katalogu jest poprawnie sformatowana i czy jest dostępna z bieżącymi poświadczeniami.

Komunikaty o wyjątkach
Określ prawidłowy katalog wyjściowy.
Katalog: {0} nie można utworzyć. Określ prawidłową ścieżkę.

Błąd 0047

Wyjątek występuje, jeśli liczba kolumn funkcji w niektórych zestawach danych przekazanych do modułu jest zbyt mała.

Ten błąd w Machine Learning występuje, jeśli wejściowy zestaw danych do trenowania nie zawiera minimalnej liczby kolumn wymaganych przez algorytm. Zazwyczaj zestaw danych jest pusty lub zawiera tylko kolumny treningowe.

Rozdzielczość: Ponownie zapoznaj się z wejściowym zestawem danych, aby upewnić się, że istnieje co najmniej jedna dodatkowa kolumna oprócz kolumny etykiety.

Komunikaty o wyjątkach
Liczba kolumn funkcji w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna.
Liczba kolumn funkcji w wejściowym zestawie danych jest mniejsza niż dozwolona minimalna liczba {0} kolumn.
Liczba kolumn funkcji w wejściowym zestawie danych "{0}" jest mniejsza niż dozwolona minimalna liczba {1} kolumn.

Błąd 0048

Wyjątek występuje w przypadku, gdy nie można otworzyć pliku.

Ten błąd w Machine Learning występuje, gdy nie można otworzyć pliku do odczytu lub zapisu. Ten błąd może wystąpić z następujących powodów:

  • Kontener lub plik (obiekt blob) nie istnieje

  • Poziom dostępu do pliku lub kontenera nie zezwala na dostęp do pliku

  • Plik jest za duży, aby odczytać lub nieprawidłowy format

Rozdzielczość: Ponownie przejdź do modułu i pliku, który próbujesz odczytać.

Sprawdź, czy nazwy kontenera i pliku są poprawne.

Użyj klasycznego portalu Azure lub narzędzia usługi Azure Storage, aby sprawdzić, czy masz uprawnienia dostępu do pliku.

Jeśli próbujesz odczytać plik obrazu, upewnij się, że spełnia on wymagania dotyczące plików obrazów pod względem rozmiaru, liczby pikseli itd. Aby uzyskać więcej informacji, zobacz Importowanie obrazów.

Komunikaty o wyjątkach
Nie można otworzyć pliku.
Błąd podczas otwierania pliku: {0}.

Błąd 0049

Wyjątek występuje w przypadku, gdy nie można przeanalizować pliku.

Ten błąd w Machine Learning występuje, gdy nie można przeanalizować pliku. Ten błąd zostanie wyświetlony, jeśli format pliku wybrany w module Importuj dane nie jest zgodny z rzeczywistym formatem pliku lub jeśli plik zawiera nierozpoznawalny znak.

Rozdzielczość: Ponownie sprawdź moduł i popraw wybór formatu pliku, jeśli nie jest zgodny z formatem pliku. Jeśli to możliwe, sprawdź plik, aby potwierdzić, że nie zawiera on żadnych niedozwolonych znaków.

Komunikaty o wyjątkach
Nie można przeanalizować pliku.
Błąd podczas analizowania pliku: {0}.

Błąd 0050

Wyjątek występuje w przypadku, gdy pliki wejściowe i wyjściowe są takie same.

Rozdzielczość: Ten błąd w Machine Learning jest nieużywany i będzie przestarzały.

Komunikaty o wyjątkach
Określone pliki dla danych wejściowych i wyjściowych nie mogą być takie same.

Błąd 0051

Wyjątek występuje w przypadku, gdy kilka plików wyjściowych jest takich samych.

Rozdzielczość: Ten błąd w Machine Learning jest nieużywany i będzie przestarzały.

Komunikaty o wyjątkach
Określone pliki dla danych wyjściowych nie mogą być takie same.

Błąd 0052

Wyjątek występuje, jeśli klucz konta usługi Azure Storage jest niepoprawnie określony.

Ten błąd w Machine Learning występuje, jeśli klucz używany do uzyskiwania dostępu do konta usługi Azure Storage jest niepoprawny. Na przykład ten błąd może zostać wyświetlony, jeśli klucz usługi Azure Storage został obcięty podczas kopiowania i wklejonego lub jeśli użyto nieprawidłowego klucza.

Aby uzyskać więcej informacji na temat sposobu uzyskiwania klucza dla konta usługi Azure Storage, zobacz Wyświetlanie, kopiowanie i ponowne generowanie kluczy dostępu do magazynu.

Rozdzielczość: Ponownie przejdź do modułu i sprawdź, czy klucz usługi Azure Storage jest poprawny dla konta; w razie potrzeby skopiuj ponownie klucz z klasycznego portalu Azure.

Komunikaty o wyjątkach
Klucz konta usługi Azure Storage jest niepoprawny.

Błąd 0053

Wyjątek występuje w przypadku, gdy nie ma żadnych funkcji użytkownika ani elementów rekomendacji matchbox.

Ten błąd w Machine Learning jest generowany, gdy nie można odnaleźć wektora funkcji.

Rozdzielczość: Upewnij się, że wektor funkcji znajduje się w wejściowym zestawie danych.

Komunikaty o wyjątkach
Funkcje użytkownika lub/i elementy są wymagane, ale nie są podane.

Błąd 0054

Wyjątek występuje, jeśli w kolumnie istnieje zbyt mało odrębnych wartości do ukończenia operacji.

Rozdzielczość: Ten błąd w Machine Learning jest nieużywany i będzie przestarzały.

Komunikaty o wyjątkach
Dane mają zbyt mało odrębnych wartości w określonej kolumnie, aby ukończyć operację.
Dane mają zbyt mało odrębnych wartości w określonej kolumnie, aby ukończyć operację. Wymagane minimum to {0} elementy.
Dane mają zbyt mało odrębnych wartości w kolumnie "{1}", aby ukończyć operację. Wymagane minimum to {0} elementy.

Błąd 0055

Wyjątek występuje podczas wywoływania przestarzałego modułu.

Ten błąd w Machine Learning pojawia się, jeśli spróbujesz wywołać moduł, który został przestarzały.

Rozwiązanie:

Komunikaty o wyjątkach
Uzyskiwanie dostępu do przestarzałego modułu.
Moduł "{0}" jest przestarzały.

Błąd 0056

Wyjątek występuje, jeśli kolumny wybrane dla operacji naruszają wymagania.

Ten błąd w Machine Learning występuje, gdy wybierasz kolumny dla operacji, która wymaga kolumny być określonym typem danych.

Ten błąd może również wystąpić, jeśli kolumna jest poprawnym typem danych, ale używany moduł wymaga, aby kolumna była również oznaczona jako funkcja, etykieta lub kolumna kategorii.

Na przykład moduł Konwertuj na wartości wskaźnika wymaga, aby kolumny są podzielone na kategorie i zgłaszały ten błąd w przypadku wybrania kolumny funkcji lub kolumny etykiety.

Rozwiązanie:

  1. Przejrzyj typ danych aktualnie wybranych kolumn.

  2. Sprawdź, czy wybrane kolumny są kolumnami kategorii, etykietami lub funkcjami.

  3. Zapoznaj się z tematem pomocy dotyczącym modułu, w którym dokonano wyboru kolumny, aby określić, czy istnieją określone wymagania dotyczące typu danych lub użycia kolumn.

  4. Użyj pozycji Edytuj metadane , aby zmienić typ kolumny na czas trwania tej operacji. Pamiętaj, aby zmienić typ kolumny z powrotem na oryginalną wartość, używając innego wystąpienia funkcji Edytuj metadane, jeśli potrzebujesz go do operacji podrzędnych.

Komunikaty o wyjątkach
Co najmniej jedna wybrana kolumna nie znajdowała się w dozwolonej kategorii.
Kolumna o nazwie "{0}" nie znajduje się w dozwolonej kategorii.

Błąd 0057

Wyjątek występuje podczas próby utworzenia pliku lub obiektu blob, który już istnieje.

Ten wyjątek występuje, gdy używasz modułu Eksportuj dane lub innego modułu do zapisywania wyników eksperymentu w Machine Learning w usłudze Azure Blob Storage, ale próbujesz utworzyć plik lub obiekt blob, który już istnieje.

Rozwiązanie:

Ten błąd zostanie wyświetlony tylko wtedy, gdy wcześniej ustawiono właściwość Tryb zapisu usługi Azure Blob Storage na Wartość Error. Zgodnie z projektem ten moduł zgłasza błąd, jeśli próbujesz zapisać zestaw danych w obiekcie blob, który już istnieje.

  • Otwórz właściwości modułu i zmień właściwość tryb zapisu usługi Azure Blob Storage na Zastąp.
  • Alternatywnie możesz wpisać nazwę innego docelowego obiektu blob lub pliku i należy określić obiekt blob, który jeszcze nie istnieje.
Komunikaty o wyjątkach
Plik lub obiekt blob już istnieje.
Plik lub obiekt blob "{0}" już istnieje.

Błąd 0058

Ten błąd w Machine Learning występuje, jeśli zestaw danych nie zawiera oczekiwanej kolumny etykiety.

Ten wyjątek może również wystąpić, gdy podana kolumna etykiety nie jest zgodna z danymi lub typem danych oczekiwanym przez ucznia lub ma nieprawidłowe wartości. Na przykład ten wyjątek jest generowany podczas używania kolumny etykiety rzeczywistej podczas trenowania klasyfikatora binarnego.

Rozdzielczość: Rozwiązanie zależy od używanego ucznia lub trenera oraz typów danych kolumn w zestawie danych. Najpierw zweryfikuj wymagania algorytmu uczenia maszynowego lub modułu szkoleniowego.

Ponownie wprowadź wejściowy zestaw danych. Sprawdź, czy kolumna, która ma być traktowana jako etykieta, ma odpowiedni typ danych dla tworzonego modelu.

Sprawdź dane wejściowe pod kątem brakujących wartości i w razie potrzeby je wyeliminuj lub zastąp.

W razie potrzeby dodaj moduł Edit Metadata (Edytuj metadane ) i upewnij się, że kolumna etykiety jest oznaczona jako etykieta.

Komunikaty o wyjątkach
Kolumna etykiety nie jest zgodnie z oczekiwaniami
Kolumna etykiety nie jest zgodnie z oczekiwaniami w ciągu "{0}".
Kolumna etykiety "{0}" nie jest oczekiwana w ciągu "{1}".

Błąd 0059

Wyjątek występuje, jeśli nie można przeanalizować indeksu kolumn określonego w selektorze kolumn.

Ten błąd w Machine Learning występuje, jeśli nie można przeanalizować indeksu kolumny określonego podczas korzystania z selektora kolumn. Ten błąd zostanie wyświetlony, gdy indeks kolumny jest w nieprawidłowym formacie, którego nie można przeanalizować.

Rozdzielczość: Zmodyfikuj indeks kolumny, aby użyć prawidłowej wartości indeksu.

Komunikaty o wyjątkach
Nie można przeanalizować co najmniej jednego określonego indeksu kolumn lub zakresów indeksów.
Nie można przeanalizować indeksu kolumny lub zakresu "{0}".

Błąd 0060

Wyjątek występuje, gdy w selektorze kolumn jest określony zakres kolumn poza zakresem.

Ten błąd w Machine Learning występuje, gdy zakres kolumn poza zakresem jest określony w selektorze kolumn. Ten błąd zostanie wyświetlony, jeśli zakres kolumn w selektorze kolumn nie odpowiada kolumnom w zestawie danych.

Rozdzielczość: Zmodyfikuj zakres kolumn w selektorze kolumn, aby odpowiadał kolumnom w zestawie danych.

Komunikaty o wyjątkach
Określono nieprawidłowy lub poza zakresem zakresu indeksów kolumn.
Zakres kolumn "{0}" jest nieprawidłowy lub poza zakresem.

Błąd 0061

Wyjątek występuje podczas próby dodania wiersza do tabeli DataTable, która ma inną liczbę kolumn niż tabela.

Ten błąd w Machine Learning występuje podczas próby dodania wiersza do zestawu danych, który ma inną liczbę kolumn niż zestaw danych. Ten błąd zostanie wyświetlony, jeśli wiersz dodawany do zestawu danych ma inną liczbę kolumn z wejściowego zestawu danych. Nie można dołączyć wiersza do zestawu danych, jeśli liczba kolumn jest inna.

Rozdzielczość: Zmodyfikuj wejściowy zestaw danych, aby miał taką samą liczbę kolumn, jak dodany wiersz, lub zmodyfikuj dodany wiersz, aby miał taką samą liczbę kolumn jak zestaw danych.

Komunikaty o wyjątkach
Wszystkie tabele muszą mieć taką samą liczbę kolumn.

Błąd 0062

Wyjątek występuje podczas próby porównania dwóch modeli z różnymi typami uczniów.

Ten błąd w Machine Learning jest generowany, gdy nie można porównać metryk oceny dla dwóch różnych ocenianych zestawów danych. W tym przypadku nie można porównać skuteczności modeli używanych do tworzenia dwóch ocenianych zestawów danych.

Rozdzielczość: Sprawdź, czy wyniki oceny są generowane przez ten sam rodzaj modelu uczenia maszynowego (klasyfikacja binarna, regresja, klasyfikacja wieloklasowa, rekomendacja, klastrowanie, wykrywanie anomalii itp.) Wszystkie porównywane modele muszą mieć ten sam typ ucznia.

Komunikaty o wyjątkach
Wszystkie modele muszą mieć ten sam typ ucznia.

Błąd 0063

Ten wyjątek jest zgłaszany, gdy ocena skryptu języka R kończy się niepowodzeniem z powodu błędu.

Ten błąd występuje, gdy skrypt języka R został podany w jednym z modułów języka R w Machine Learning, a kod języka R zawiera błędy składni wewnętrznej. Wyjątek może również wystąpić w przypadku podania nieprawidłowych danych wejściowych skryptu języka R.

Błąd może również wystąpić, jeśli skrypt jest zbyt duży do wykonania w obszarze roboczym. Maksymalny rozmiar skryptu dla modułu Execute R Script (Wykonywanie skryptu języka R ) wynosi 1000 wierszy lub 32 KB miejsca pracy, w zależności od tego, co jest mniejsze.

Rozwiązanie:

  1. W programie Machine Learning Studio (wersja klasyczna) kliknij prawym przyciskiem myszy moduł, który zawiera błąd, a następnie wybierz pozycję Wyświetl dziennik.
  2. Sprawdź standardowy dziennik błędów modułu, który zawiera ślad stosu.
    • Wiersze rozpoczynające się od [ModuleOutput] wskazują dane wyjściowe z języka R.
    • Komunikaty z języka R oznaczone jako ostrzeżenia zwykle nie powodują niepowodzenia eksperymentu.
  3. Rozwiązywanie problemów ze skryptami.
    • Sprawdź błędy składni języka R. Sprawdź, czy zmienne są zdefiniowane, ale nigdy nie są wypełniane.
    • Przejrzyj dane wejściowe i skrypt, aby określić, czy dane lub zmienne w skry skrycie używają znaków nieobsługiwanych przez Machine Learning.
    • Sprawdź, czy są zainstalowane wszystkie zależności pakietów.
    • Sprawdź, czy kod ładuje wymagane biblioteki, które nie są domyślnie ładowane.
    • Sprawdź, czy wymagane pakiety są poprawną wersją.
    • Upewnij się, że dowolny zestaw danych wyjściowych jest konwertowany na ramkę danych.
  4. Prześlij ponownie eksperyment.

Uwaga

Te tematy zawierają przykłady kodu języka R, którego można użyć, a także linki do eksperymentów w galerii analizy Cortana używającej skryptu języka R.

Komunikaty o wyjątkach
Błąd podczas oceny skryptu języka R.
Podczas oceny skryptu języka R wystąpił następujący błąd: ---------- uruchomienie komunikatu o błędzie z ---------- R ----------- {0} komunikatu o błędzie z ----------- R
Podczas oceny skryptu języka R "{1}" wystąpił następujący błąd: ---------- uruchomienie komunikatu o błędzie z ---------- R ----------- {0} koniec komunikatu o błędzie z ----------- R

Błąd 0064

Wyjątek występuje, jeśli nazwa konta usługi Azure Storage lub klucz magazynu jest niepoprawnie określona.

Ten błąd w Machine Learning występuje, jeśli nazwa konta usługi Azure Storage lub klucz magazynu jest niepoprawnie określona. Ten błąd zostanie wyświetlony, jeśli wprowadzisz nieprawidłową nazwę konta lub hasło dla konta magazynu. Taka sytuacja może wystąpić, jeśli ręcznie wprowadzisz nazwę konta lub hasło. Może również wystąpić, jeśli konto zostało usunięte.

Rozdzielczość: Sprawdź, czy nazwa konta i hasło zostały wprowadzone poprawnie i czy konto istnieje.

Komunikaty o wyjątkach
Nazwa konta magazynu platformy Azure lub klucz magazynu jest niepoprawna.
Nazwa konta magazynu platformy Azure "{0}" lub klucz magazynu dla nazwy konta jest niepoprawna.

Błąd 0065

Wyjątek występuje, jeśli nazwa obiektu blob platformy Azure jest niepoprawnie określona.

Ten błąd w Machine Learning występuje, jeśli nazwa obiektu blob platformy Azure jest niepoprawnie określona. Zostanie wyświetlony błąd, jeśli:

  • Nie można odnaleźć obiektu blob w określonym kontenerze.

  • W pełni kwalifikowana nazwa obiektu blob określonego dla danych wyjściowych w jednym z Edukacja z modułami Counts jest większa niż 512 znaków.

  • Tylko kontener został określony jako źródło w żądaniu importu danych, gdy format został Excel lub CSV z kodowaniem; łączenie zawartości wszystkich obiektów blob w kontenerze nie jest dozwolone w tych formatach.

  • Identyfikator URI sygnatury dostępu współdzielonego nie zawiera nazwy prawidłowego obiektu blob.

Rozdzielczość: Ponownie zajmij się modułem zgłaszającym wyjątek. Sprawdź, czy określony obiekt blob istnieje w kontenerze na koncie magazynu i czy uprawnienia umożliwiają wyświetlanie obiektu blob. Sprawdź, czy dane wejściowe mają postać containername/nazwa pliku, jeśli masz Excel lub CSV z formatami kodowania. Sprawdź, czy identyfikator URI sygnatury dostępu współdzielonego zawiera nazwę prawidłowego obiektu blob.

Komunikaty o wyjątkach
Obiekt blob usługi Azure Storage jest niepoprawny.
Nazwa obiektu blob usługi Azure Storage "{0}" jest niepoprawna

Błąd 0066

Wyjątek występuje, jeśli nie można przekazać zasobu do obiektu blob platformy Azure.

Ten błąd w Machine Learning występuje, jeśli nie można przekazać zasobu do obiektu blob platformy Azure. Ten komunikat zostanie wyświetlony, jeśli podczas trenowania modelu Vowpal Wabbit 7-4 wystąpi błąd podczas próby zapisania modelu lub skrótu utworzonego podczas trenowania modelu. Oba są zapisywane na tym samym koncie usługi Azure Storage co konto zawierające plik wejściowy.

Rozdzielczość: Ponownie zajmij się modułem. Sprawdź, czy nazwa konta platformy Azure, klucz magazynu i kontener są poprawne i czy konto ma uprawnienia do zapisu w kontenerze.

Komunikaty o wyjątkach
Nie można przekazać zasobu do usługi Azure Storage.
Nie można przekazać pliku "{0}" do usługi Azure Storage jako {1}.

Błąd 0067

Wyjątek występuje, jeśli zestaw danych ma inną liczbę kolumn niż oczekiwano.

Ten błąd w Machine Learning występuje, jeśli zestaw danych ma inną liczbę kolumn niż oczekiwano. Ten błąd zostanie wyświetlony, gdy liczba kolumn w zestawie danych różni się od liczby kolumn, których oczekuje moduł podczas wykonywania.

Rozdzielczość: Zmodyfikuj wejściowy zestaw danych lub parametry.

Komunikaty o wyjątkach
Nieoczekiwana liczba kolumn w tabeli danych.
Oczekiwano kolumn "{0}", ale zamiast tego znaleziono kolumny "{1}".

Błąd 0068

Wyjątek występuje, jeśli określony skrypt Hive nie jest poprawny.

Ten błąd w Machine Learning występuje, jeśli występują błędy składniowe w skryscie QL programu Hive lub jeśli interpreter hive napotka błąd podczas wykonywania zapytania lub skryptu.

Rozwiązanie:

Komunikat o błędzie z programu Hive jest zwykle zgłaszany z powrotem w dzienniku błędów, dzięki czemu można podjąć działania na podstawie określonego błędu.

  • Otwórz moduł i sprawdź zapytanie pod kątem błędów.
  • Sprawdź, czy zapytanie działa poprawnie poza Machine Learning, logując się do konsoli hive klastra Hadoop i uruchamiając zapytanie.
  • Spróbuj umieścić komentarze w skrypcie Hive w osobnym wierszu, w przeciwieństwie do mieszania instrukcji wykonywalnych i komentarzy w jednym wierszu.

Zasoby

Zapoznaj się z następującymi artykułami, aby uzyskać pomoc dotyczącą zapytań Hive dotyczących uczenia maszynowego:

Komunikaty o wyjątkach
Skrypt hive jest niepoprawny.
Skrypt {0} Hive nie jest poprawny.

Błąd 0069

Wyjątek występuje, jeśli określony skrypt SQL nie jest poprawny.

Ten błąd w Machine Learning występuje, jeśli określony skrypt SQL ma problemy ze składnią lub jeśli kolumny lub tabela określona w skrycie jest nieprawidłowa.

Ten błąd zostanie wyświetlony, jeśli aparat SQL napotka błąd podczas wykonywania zapytania lub skryptu. Komunikat o błędzie SQL jest zwykle zgłaszany z powrotem w dzienniku błędów, aby można było podjąć działania na podstawie określonego błędu.

Rozdzielczość: Ponownie zajmij się modułem i sprawdź zapytanie SQL pod kątem błędów.

Sprawdź, czy zapytanie działa poprawnie poza usługą Azure ML, logując się bezpośrednio do serwera bazy danych i uruchamiając zapytanie.

Jeśli istnieje komunikat wygenerowany SQL zgłoszony przez wyjątek modułu, podejmij działania na podstawie zgłoszonego błędu. Na przykład komunikaty o błędach czasami zawierają konkretne wskazówki dotyczące prawdopodobnego błędu:

  • Brak takiej kolumny lub brakującej bazy danych, co oznacza, że być może wpisana nazwa kolumny jest nieprawidłowa. Jeśli na pewno nazwa kolumny jest poprawna, spróbuj użyć nawiasów lub cudzysłowów, aby ująć identyfikator kolumny.
  • SQL błąd logiki w pobliżu <słowa kluczowego> SQL wskazujący, że może wystąpić błąd składniowy przed określonym słowem kluczowym
Komunikaty o wyjątkach
skrypt SQL jest niepoprawny.
SQL zapytanie "{0}" nie jest poprawne.
SQL zapytanie "{0}" nie jest poprawne:{1}

Błąd 0070

Wyjątek występuje podczas próby uzyskania dostępu do nieistniejącej tabeli platformy Azure.

Ten błąd w Machine Learning występuje podczas próby uzyskania dostępu do nieistniejącej tabeli platformy Azure. Ten błąd zostanie wyświetlony, jeśli określisz tabelę w usłudze Azure Storage, która nie istnieje podczas odczytywania lub zapisywania w usłudze Azure Table Storage. Może się to zdarzyć, jeśli nieprawidłowa nazwa żądanej tabeli lub występuje niezgodność między nazwą docelową a typem magazynu. Na przykład zamierzasz odczytać z tabeli, ale zamiast tego wprowadzono nazwę obiektu blob.

Rozdzielczość: Ponownie przejdź do modułu, aby sprawdzić, czy nazwa tabeli jest poprawna.

Komunikaty o wyjątkach
Tabela platformy Azure nie istnieje.
Tabela platformy Azure "{0}" nie istnieje.

Błąd 0071

Wyjątek występuje, jeśli podane poświadczenia są nieprawidłowe.

Ten błąd w Machine Learning występuje, jeśli podane poświadczenia są nieprawidłowe.

Ten błąd może również wystąpić, jeśli moduł nie może nawiązać połączenia z klastrem usługi HDInsight.

Rozdzielczość: Przejrzyj dane wejściowe modułu i sprawdź nazwę konta i hasło.

Sprawdź, czy występują następujące problemy, które mogą powodować błąd:

  • Schemat zestawu danych nie jest zgodny ze schematem docelowej tabeli danych.

  • Brak nazw kolumn lub błędnie wpisów

  • Piszesz do tabeli zawierającej nazwy kolumn z niedozwolonymi znakami. Zwykle można ująć takie nazwy kolumn w nawiasach kwadratowych, ale jeśli to nie działa, edytuj nazwy kolumn, aby używać tylko liter i podkreśleń (_)

  • Ciągi, które próbujesz zapisać, zawierają pojedyncze cudzysłów

Jeśli próbujesz nawiązać połączenie z klastrem usługi HDInsight, sprawdź, czy klaster docelowy jest dostępny przy użyciu podanych poświadczeń.

Komunikaty o wyjątkach
Nieprawidłowe poświadczenia są przekazywane.
Nieprawidłowa nazwa użytkownika "{0}" lub hasło jest przekazywane

Błąd 0072

Wyjątek występuje w przypadku przekroczenia limitu czasu połączenia.

Ten błąd w Machine Learning występuje, gdy przekroczono limit czasu połączenia. Ten błąd zostanie wyświetlony, jeśli występują obecnie problemy z łącznością ze źródłem danych lub miejscem docelowym, takim jak niska łączność z Internetem, lub jeśli zestaw danych jest duży i/lub zapytanie SQL do odczytu w danych wykonuje skomplikowane przetwarzanie.

Rozdzielczość: Ustal, czy obecnie występują problemy z wolnymi połączeniami z usługą Azure Storage lub Internetem.

Komunikaty o wyjątkach
Wystąpił limit czasu połączenia.

Błąd 0073

Wyjątek występuje, jeśli wystąpi błąd podczas konwertowania kolumny na inny typ.

Ten błąd w Machine Learning występuje, gdy nie można przekonwertować kolumny na inny typ. Ten błąd zostanie wyświetlony, jeśli moduł wymaga określonego typu i nie można przekonwertować kolumny na nowy typ.

Rozdzielczość: Zmodyfikuj wejściowy zestaw danych, aby można było przekonwertować kolumnę na podstawie wyjątku wewnętrznego.

Komunikaty o wyjątkach
Nie można przekonwertować kolumny.
Nie można przekonwertować kolumny na {0}.

Błąd 0074

Wyjątek występuje, gdy edytowanie metadanych próbuje przekonwertować kolumnę rozrzedzyną na kategorie.

Ten błąd w Machine Learning występuje, gdy edytowanie metadanych próbuje przekonwertować kolumnę rozrzedzyną na kategorie. Ten błąd zostanie wyświetlony podczas próby przekonwertowania kolumn rozrzednych na kategorie z opcją Utwórz kategorię . Machine Learning nie obsługuje rozrzednych tablic kategorii, więc moduł zakończy się niepowodzeniem.

Rozdzielczość: Zagęszczaj kolumnę przy użyciu polecenia Konwertuj na zestaw danych lub nie konwertuj kolumny na kategorie.

Komunikaty o wyjątkach
Nie można przekonwertować kolumn rozrzedzonej na kategorie.

Błąd 0075

Wyjątek występuje, gdy podczas kwantyzacji zestawu danych jest używana nieprawidłowa funkcja kwantowania.

Ten błąd w Machine Learning występuje, gdy próbujesz binować dane przy użyciu nieobsługiwanej metody lub gdy kombinacje parametrów są nieprawidłowe.

Rozwiązanie:

Obsługa błędów dla tego zdarzenia została wprowadzona we wcześniejszej wersji Machine Learning, która umożliwiała większe dostosowanie metod kwantowania. Obecnie wszystkie metody kwantowania są oparte na wyborze z listy rozwijanej, więc technicznie nie powinno być już możliwe uzyskanie tego błędu.

Jeśli ten błąd występuje podczas korzystania z modułu Grupowanie danych do pojemników, rozważ zgłoszenie problemu na forum Machine Learning, podając typy danych, ustawienia parametrów i dokładny komunikat o błędzie.

Komunikaty o wyjątkach
Użyto nieprawidłowej funkcji kwantowania.

Błąd 0077

Wyjątek występuje, gdy przekazano tryb zapisu nieznanych plików obiektów blob.

Ten błąd w Machine Learning występuje, jeśli nieprawidłowy argument jest przekazywany w specyfikacji miejsca docelowego pliku obiektów blob lub źródła.

Rozdzielczość: W prawie wszystkich modułach, które importują lub eksportują dane do i z usługi Azure Blob Storage, wartości parametrów kontrolujących tryb zapisu są przypisywane przy użyciu listy rozwijanej; w związku z tym nie można przekazać nieprawidłowej wartości i ten błąd nie powinien być wyświetlany. Ten błąd zostanie wycofany w nowszej wersji.

Komunikaty o wyjątkach
Nieobsługiwany tryb zapisu obiektów blob.
Nieobsługiwany tryb zapisu obiektów blob: {0}.

Błąd 0078

Wyjątek występuje, gdy opcja HTTP dla importu danych odbiera kod stanu 3xx wskazujący przekierowanie.

Ten błąd w Machine Learning występuje, gdy opcja HTTP dla importowanych danych odbiera kod stanu 3xx (301, 302, 304 itp.) wskazujący przekierowanie. Ten błąd zostanie wyświetlony, jeśli spróbujesz nawiązać połączenie ze źródłem HTTP, które przekierowuje przeglądarkę do innej strony. Ze względów bezpieczeństwa przekierowywanie witryn internetowych nie jest dozwolone jako źródła danych dla Machine Learning.

Rozdzielczość: Jeśli witryna internetowa jest zaufaną witryną internetową, wprowadź bezpośrednio przekierowany adres URL.

Komunikaty o wyjątkach
Niedozwolone przekierowywanie HTTP

Błąd 0079

Wyjątek występuje, jeśli nazwa kontenera usługi Azure Storage jest niepoprawnie określona.

Ten błąd w Machine Learning występuje, jeśli nazwa kontenera usługi Azure Storage jest niepoprawnie określona. Ten błąd zostanie wyświetlony, jeśli nie określono zarówno kontenera, jak i nazwy obiektu blob (pliku) przy użyciu opcji Ścieżka do obiektu blob rozpoczynającego się od kontenera podczas zapisywania w Azure Blob Storage.

Rozdzielczość: Ponownie sprawdź moduł Export Data (Eksportuj dane ) i sprawdź, czy określona ścieżka do obiektu blob zawiera zarówno kontener, jak i nazwę pliku w formacie kontenera/nazwy pliku.

Komunikaty o wyjątkach
Nazwa kontenera usługi Azure Storage jest niepoprawna.
Nazwa kontenera magazynu platformy Azure "{0}" jest nieprawidłowa. Oczekiwano nazwy kontenera/obiektu blob formatu.

Błąd 0080

Wyjątek występuje, gdy kolumna ze wszystkimi brakującymi wartościami jest niedozwolona przez moduł.

Ten błąd w Machine Learning jest generowany, gdy co najmniej jedna kolumna zużywana przez moduł zawiera wszystkie brakujące wartości. Jeśli na przykład moduł jest obliczany zagregowane statystyki dla każdej kolumny, nie może działać na kolumnie bez danych. W takich przypadkach wykonanie modułu jest zatrzymywane z tym wyjątkiem.

Rozdzielczość: Ponownie zajmij się wejściowym zestawem danych i usuń wszystkie kolumny zawierające wszystkie brakujące wartości.

Komunikaty o wyjątkach
Kolumny z brakującymi wartościami są niedozwolone.
W kolumnie {0} brakuje wszystkich wartości.

Błąd 0081

Wyjątek występuje w module PCA, jeśli liczba wymiarów do zmniejszenia jest równa liczbie kolumn funkcji w wejściowym zestawie danych zawierającym co najmniej jedną rozrzedzną kolumnę funkcji.

Ten błąd w Machine Learning jest generowany, jeśli spełnione są następujące warunki: (a) wejściowy zestaw danych ma co najmniej jedną rozrzedzony kolumnę i (b) ostateczną liczbę żądanych wymiarów jest taka sama jak liczba wymiarów wejściowych.

Rozdzielczość: Rozważ zmniejszenie liczby wymiarów w danych wyjściowych, aby było mniejsze niż liczba wymiarów w danych wejściowych. Jest to typowe w zastosowaniach analizy pca. Aby uzyskać więcej informacji, zobacz Analiza głównych składników.

Komunikaty o wyjątkach
W przypadku zestawu danych zawierającego rozrzedliwą liczbę kolumn funkcji liczba wymiarów do zmniejszenia powinna być mniejsza niż liczba kolumn funkcji.

Błąd 0082

Wyjątek występuje, gdy nie można pomyślnie wykonać deserializacji modelu.

Ten błąd w Machine Learning występuje, gdy zapisany model uczenia maszynowego lub transformacja nie może zostać załadowany przez nowszą wersję środowiska uruchomieniowego Machine Learning w wyniku zmiany powodującej niezgodność.

Rozdzielczość: Eksperyment szkoleniowy, który wyprodukował model lub transformację, musi zostać ponownie uruchomiony, a model lub transformacja musi zostać zapisany ponownie.

Komunikaty o wyjątkach
Nie można wykonać deserializacji modelu, ponieważ prawdopodobnie jest serializowany przy użyciu starszego formatu serializacji. Ponowne trenowanie i ponowne zapisywanie modelu.

Błąd 0083

Wyjątek występuje, jeśli zestaw danych używany do trenowania nie może być używany dla konkretnego typu ucznia.

Ten błąd w Machine Learning jest generowany, gdy zestaw danych jest niezgodny z trenowanym uczniem. Na przykład zestaw danych może zawierać co najmniej jedną brakującą wartość w każdym wierszu, a w rezultacie cały zestaw danych zostanie pominięty podczas trenowania. W innych przypadkach niektóre algorytmy uczenia maszynowego, takie jak wykrywanie anomalii, nie oczekują obecności etykiet i mogą zgłosić ten wyjątek, jeśli etykiety znajdują się w zestawie danych.

Rozdzielczość: Zapoznaj się z dokumentacją ucznia używanego do sprawdzania wymagań dotyczących wejściowego zestawu danych. Sprawdź kolumny, aby zobaczyć, czy wszystkie wymagane kolumny są obecne.

Komunikaty o wyjątkach
Zestaw danych używany do trenowania jest nieprawidłowy.
{0} zawiera nieprawidłowe dane do trenowania.
{0} zawiera nieprawidłowe dane do trenowania. Typ ucznia: {1}.

Błąd 0084

Wyjątek występuje, gdy są oceniane wyniki wygenerowane na podstawie skryptu języka R. Jest to obecnie nieobsługiwane.

Ten błąd w Machine Learning występuje, jeśli spróbujesz użyć jednego z modułów do oceny modelu z danymi wyjściowymi skryptu języka R zawierającego wyniki.

Rozwiązanie:

Komunikaty o wyjątkach
Ocenianie wyników generowanych przez język R jest obecnie nieobsługiwane.

Błąd 0085

Wyjątek występuje, gdy ocena skryptu kończy się niepowodzeniem z powodu błędu.

Ten błąd w Machine Learning występuje podczas uruchamiania skryptu niestandardowego, który zawiera błędy składni.

Rozdzielczość: Przejrzyj kod w edytorze zewnętrznym i sprawdź, czy występują błędy.

Komunikaty o wyjątkach
Błąd podczas oceny skryptu.
Podczas oceny skryptu wystąpił następujący błąd, wyświetl dziennik danych wyjściowych, aby uzyskać więcej informacji: ---------- Rozpoczęcie komunikatu o błędzie z {0} interpretera ---------- {1} ---------- koniec komunikatu o błędzie z {0} interpretera ----------

Błąd 0086

Wyjątek występuje, gdy przekształcenie zliczania jest nieprawidłowe.

Ten błąd w Machine Learning występuje podczas wybierania przekształcenia na podstawie tabeli liczników, ale wybrane przekształcenie jest niezgodne z bieżącymi danymi lub z nową tabelą liczb.

Rozdzielczość: Moduł obsługuje zapisywanie liczb i reguł tworzących transformację w dwóch różnych formatach. Jeśli scalasz tabele count, sprawdź, czy obie tabele, które zamierzasz scalić, używają tego samego formatu.

Ogólnie rzecz biorąc, przekształcenie oparte na liczbie może być stosowane tylko do zestawów danych, które mają ten sam schemat co zestaw danych, na którym pierwotnie utworzono przekształcenie.

Aby uzyskać ogólne informacje, zobacz Edukacja z liczbami. Aby uzyskać wymagania specyficzne dla tworzenia i scalania funkcji opartych na liczbie, zobacz następujące tematy:

Komunikaty o wyjątkach
Określono nieprawidłową transformację zliczania.
Przekształcenie zliczania na porcie wejściowym "{0}" jest nieprawidłowe.
Nie można scalić przekształcenia zliczania na porcie wejściowym "{0}" z przekształceniem zliczania na porcie wejściowym "{1}". Sprawdź, czy metadane używane do zliczania są zgodne.

Błąd 0087

Wyjątek występuje, gdy dla uczenia się z modułami counts określono nieprawidłowy typ tabeli count.

Ten błąd w Machine Learning występuje podczas próby zaimportowania istniejącej tabeli count, ale tabela jest niezgodna z bieżącymi danymi lub z nową tabelą liczników.

Rozdzielczość: Istnieją różne formaty zapisywania liczb i reguł tworzących przekształcenie. Jeśli scalasz tabele liczbowe, sprawdź, czy oba te tabele używają tego samego formatu.

Ogólnie rzecz biorąc, transformacja oparta na liczbie może być stosowana tylko do zestawów danych, które mają ten sam schemat co zestaw danych, na którym pierwotnie utworzono przekształcenie.

Aby uzyskać ogólne informacje, zobacz Edukacja z liczbami. Aby uzyskać wymagania specyficzne dla tworzenia i scalania funkcji opartych na liczbie, zobacz następujące tematy:

Błąd 0088

Wyjątek występuje, gdy określono nieprawidłowy typ zliczania dla uczenia się z modułami zliczania.

Ten błąd w Machine Learning występuje, gdy próbujesz użyć innej metody zliczania niż jest obsługiwana w przypadku cechowania opartego na liczbie.

Rozdzielczość: Ogólnie rzecz biorąc, metody zliczania są wybierane z listy rozwijanej, więc ten błąd nie powinien być widoczny.

Aby uzyskać ogólne informacje, zobacz Edukacja z liczbami. Aby uzyskać wymagania specyficzne dla tworzenia i scalania funkcji opartych na liczbie, zobacz następujące tematy:

Komunikaty o wyjątkach
Określono nieprawidłowy typ zliczania.
Określony typ zliczania "{0}" nie jest prawidłowym typem zliczania.

Błąd 0089

Wyjątek występuje, gdy określona liczba klas jest mniejsza niż rzeczywista liczba klas w zestawie danych używanym do zliczania.

Ten błąd w Machine Learning występuje podczas tworzenia tabeli liczbowej, a kolumna etykiety zawiera inną liczbę klas niż określona w parametrach modułu.

Rozdzielczość: Sprawdź zestaw danych i dowiedz się dokładnie, ile unikatowych wartości (możliwych klas) znajduje się w kolumnie etykiety. Podczas tworzenia tabeli count należy określić co najmniej tę liczbę klas.

Tabela count nie może automatycznie określić liczby dostępnych klas.

Podczas tworzenia tabeli count nie można określić liczby 0 lub dowolnej liczby, która jest mniejsza niż rzeczywista liczba klas w kolumnie etykiety.

Komunikaty o wyjątkach
Liczba klas jest nieprawidłowa. Upewnij się, że liczba klas, które określisz w okienku parametrów, jest większa lub równa liczbie klas w kolumnie etykiety.
Określona liczba klas to "{0}", która nie jest większa niż wartość etykiety "{1}" w zestawie danych używanym do zliczenia. Upewnij się, że liczba klas, które określisz w okienku parametrów, jest większa lub równa liczbie klas w kolumnie etykiety.

Błąd 0090

Wyjątek występuje, gdy tworzenie tabeli hive kończy się niepowodzeniem.

Ten błąd w Machine Learning występuje, gdy używasz opcji Eksportuj dane lub innej opcji zapisywania danych w klastrze usługi HDInsight i nie można utworzyć określonej tabeli hive.

Rozdzielczość: Sprawdź nazwę konta magazynu platformy Azure skojarzoną z klastrem i sprawdź, czy używasz tego samego konta we właściwościach modułu.

Komunikaty o wyjątkach
Nie można utworzyć tabeli Hive. W przypadku klastra usługi HDInsight upewnij się, że nazwa konta usługi Azure Storage skojarzona z klastrem jest taka sama, jak to, co jest przekazywane za pośrednictwem parametru modułu.
Nie można utworzyć tabeli Hive "{0}". W przypadku klastra usługi HDInsight upewnij się, że nazwa konta usługi Azure Storage skojarzona z klastrem jest taka sama, jak to, co jest przekazywane za pośrednictwem parametru modułu.
Nie można utworzyć tabeli Hive "{0}". W przypadku klastra usługi HDInsight upewnij się, że nazwa konta usługi Azure Storage skojarzona z klastrem to "{1}".

Błąd 0100

Wyjątek występuje, gdy dla modułu niestandardowego określono nieobsługiwany język.

Ten błąd w Machine Learning występuje podczas kompilowania modułu niestandardowego i właściwości name elementu Language w pliku definicji xml modułu niestandardowego ma nieprawidłową wartość. Obecnie jedyną prawidłową wartością dla tej właściwości jest R. Przykład:

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

Rozdzielczość: Sprawdź, czy właściwość name elementu Language w pliku definicji xml modułu niestandardowego ma wartość R. Zapisz plik, zaktualizuj niestandardowy pakiet zip modułu i spróbuj ponownie dodać moduł niestandardowy.

Komunikaty o wyjątkach
Nieobsługiwany niestandardowy język modułu określony

Błąd 0101

Wszystkie identyfikatory portów i parametrów muszą być unikatowe.

Ten błąd w Machine Learning występuje, gdy co najmniej jeden port lub parametry mają przypisaną tę samą wartość identyfikatora w pliku definicji XML modułu niestandardowego.

Rozdzielczość: Sprawdź, czy wartości identyfikatorów we wszystkich portach i parametrach są unikatowe. Zapisz plik XML, zaktualizuj niestandardowy pakiet zip modułu i spróbuj ponownie dodać moduł niestandardowy.

Komunikaty o wyjątkach
Wszystkie identyfikatory portów i parametrów dla modułu muszą być unikatowe
Moduł "{0}" ma zduplikowane identyfikatory portów/argumentów. Wszystkie identyfikatory portów/argumentów muszą być unikatowe dla modułu.

Błąd 0102

Zgłaszany, gdy nie można wyodrębnić pliku ZIP.

Ten błąd w Machine Learning występuje podczas importowania spakowanego pakietu z rozszerzeniem .zip, ale pakiet nie jest plikiem zip lub plik nie używa obsługiwanego formatu zip.

Rozdzielczość: Upewnij się, że wybrany plik jest prawidłowym plikiem .zip i że został skompresowany przy użyciu jednego z obsługiwanych algorytmów kompresji.

Jeśli ten błąd występuje podczas importowania zestawów danych w formacie skompresowanym, sprawdź, czy wszystkie zawarte pliki używają jednego z obsługiwanych formatów plików i są w formacie Unicode. Aby uzyskać więcej informacji, zobacz Rozpakowywanie spakowanych zestawów danych.

Spróbuj odczytać żądane pliki do nowego skompresowanego folderu spakowanego i spróbuj ponownie dodać moduł niestandardowy.

Komunikaty o wyjątkach
Podany plik ZIP nie jest w poprawnym formacie

Błąd 0103

Zgłaszany, gdy plik ZIP nie zawiera żadnych plików .xml

Ten błąd w Machine Learning występuje, gdy niestandardowy pakiet zip modułu nie zawiera żadnych plików definicji modułu (.xml). Te pliki muszą znajdować się w katalogu głównym pakietu zip (na przykład nie w podfolderze).

Rozdzielczość: Sprawdź, czy co najmniej jeden plik definicji modułu XML znajduje się w folderze głównym pakietu zip, wyodrębniając go do folderu tymczasowego na dysku. Wszystkie pliki XML powinny znajdować się bezpośrednio w folderze wyodrębnionym z pakietu zip. Upewnij się, że podczas tworzenia pakietu zip nie wybierasz folderu zawierającego pliki XML do spakowania, ponieważ spowoduje to utworzenie folderu podrzędnego w pakiecie zip o takiej samej nazwie jak folder wybrany do spakowania.

Komunikaty o wyjątkach
Podany plik ZIP nie zawiera żadnych plików definicji modułu (pliki .xml)

Błąd 0104

Zgłaszany, gdy plik definicji modułu odwołuje się do skryptu, którego nie można znaleźć

Ten błąd w Machine Learning jest zgłaszany, gdy niestandardowy plik definicji xml modułu odwołuje się do pliku skryptu w elemencie Language, który nie istnieje w pakiecie zip. Ścieżka pliku skryptu jest zdefiniowana we właściwości sourceFile elementu Language . Ścieżka do pliku źródłowego jest względna względem katalogu głównego pakietu zip (taka sama lokalizacja jak pliki definicji xml modułu). Jeśli plik skryptu znajduje się w folderze podrzędnym, należy określić ścieżkę względną do pliku skryptu. Jeśli na przykład wszystkie skrypty były przechowywane w folderze myScripts w pakiecie zip, element Language musiałby dodać tę ścieżkę do właściwości sourceFile , jak pokazano poniżej. Przykład:

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

Rozdzielczość: Upewnij się, że wartość właściwości sourceFile w elemecie Language niestandardowej definicji xml modułu jest poprawna i że plik źródłowy istnieje we właściwej ścieżce względnej w pakiecie zip.

Komunikaty o wyjątkach
Przywołyny plik skryptu języka R nie istnieje.
Nie można odnaleźć pliku skryptu języka R "{0}". Upewnij się, że ścieżka względna do pliku jest poprawna z lokalizacji definicji.

Błąd 0105

Ten błąd jest wyświetlany, gdy plik definicji modułu zawiera nieobsługiwany typ parametru

Ten błąd w Machine Learning jest generowany, gdy tworzysz niestandardową definicję xml modułu, a typ parametru lub argumentu w definicji nie jest zgodny z obsługiwanym typem.

Rozdzielczość: Upewnij się, że właściwość typu dowolnego elementu Arg w pliku definicji xml modułu niestandardowego jest obsługiwanym typem.

Komunikaty o wyjątkach
Nieobsługiwany typ parametru.
Nieobsługiwany typ parametru "{0}" określony.

Błąd 0106

Zgłaszany, gdy plik definicji modułu definiuje nieobsługiwany typ danych wejściowych

Ten błąd w Machine Learning jest generowany, gdy typ portu wejściowego w niestandardowej definicji XML modułu nie jest zgodny z obsługiwanym typem.

Rozdzielczość: Upewnij się, że właściwość typu elementu Input w pliku definicji XML modułu niestandardowego jest obsługiwanym typem.

Komunikaty o wyjątkach
Nieobsługiwany typ danych wejściowych.
Określono nieobsługiwany typ danych wejściowych "{0}".

Błąd 0107

Zgłaszany, gdy plik definicji modułu definiuje nieobsługiwany typ danych wyjściowych

Ten błąd w Machine Learning jest generowany, gdy typ portu wyjściowego w niestandardowej definicji xml modułu nie jest zgodny z obsługiwanym typem.

Rozdzielczość: Upewnij się, że właściwość type elementu Output w pliku definicji xml modułu niestandardowego jest obsługiwanym typem.

Komunikaty o wyjątkach
Nieobsługiwany typ danych wyjściowych.
Nieobsługiwany typ danych wyjściowych "{0}" określony.

Błąd 0108

Zgłaszany, gdy plik definicji modułu definiuje więcej portów wejściowych lub wyjściowych niż są obsługiwane

Ten błąd w Machine Learning jest generowany, gdy w definicji xml modułu niestandardowego zdefiniowano zbyt wiele portów wejściowych lub wyjściowych.

Rozdzielczość: Upewnij się, że maksymalna liczba portów wejściowych i wyjściowych zdefiniowanych w definicji xml modułu niestandardowego nie przekracza maksymalnej liczby obsługiwanych portów.

Komunikaty o wyjątkach
Przekroczono obsługiwaną liczbę portów wejściowych lub wyjściowych.
Przekroczono liczbę obsługiwanych portów "{0}". Maksymalna dozwolona liczba portów "{0}" to "{1}".

Błąd 0109

Zgłaszany, gdy plik definicji modułu niepoprawnie definiuje selektor kolumn

Ten błąd w Machine Learning jest generowany, gdy składnia argumentu selektora kolumn zawiera błąd w definicji xml modułu niestandardowego.

Rozdzielczość: Ten błąd jest generowany, gdy składnia argumentu selektora kolumn zawiera błąd w niestandardowej definicji xml modułu.

Komunikaty o wyjątkach
Nieobsługiwana składnia selektora kolumn.

Błąd 0110

Zgłaszany, gdy plik definicji modułu definiuje selektor kolumn, który odwołuje się do nieistniejącego identyfikatora portu wejściowego

Ten błąd w Machine Learning jest generowany, gdy właściwość portId w elemecie Properties elementu Arg typu ColumnPicker nie jest zgodna z wartością identyfikatora portu wejściowego.

Rozdzielczość: Upewnij się, że właściwość portId jest zgodna z wartością identyfikatora portu wejściowego zdefiniowanego w definicji xml modułu niestandardowego.

Komunikaty o wyjątkach
Selektor kolumn odwołuje się do nieistniejącego identyfikatora portu wejściowego.
Selektor kolumn odwołuje się do nieistniejącego identyfikatora portu wejściowego "{0}".

Błąd 0111

Zgłaszany, gdy plik definicji modułu definiuje nieprawidłową właściwość

Ten błąd w Machine Learning jest generowany, gdy nieprawidłowa właściwość jest przypisywana do elementu w definicji XML modułu niestandardowego.

Rozdzielczość: Upewnij się, że właściwość jest obsługiwana przez element modułu niestandardowego.

Komunikaty o wyjątkach
Definicja właściwości jest nieprawidłowa.
Definicja właściwości "{0}" jest nieprawidłowa.

Błąd 0112

Zgłaszany, gdy nie można przeanalizować pliku definicji modułu

Ten błąd w Machine Learning jest generowany, gdy występuje błąd w formacie XML, który uniemożliwia analizowanie niestandardowej definicji XML modułu jako prawidłowy plik XML.

Rozdzielczość: Upewnij się, że każdy element jest otwarty i zamknięty poprawnie. Upewnij się, że w formatowaniu XML nie ma żadnych błędów.

Komunikaty o wyjątkach
Nie można przeanalizować pliku definicji modułu.
Nie można przeanalizować pliku definicji modułu "{0}".

Błąd 0113

Zgłaszany, gdy plik definicji modułu zawiera błędy.

Ten błąd w Machine Learning jest generowany, gdy można przeanalizować plik definicji XML modułu niestandardowego, ale zawiera błędy, takie jak definicja elementów nieobsługiwanych przez moduły niestandardowe.

Rozdzielczość: Upewnij się, że plik definicji modułu niestandardowego definiuje elementy i właściwości obsługiwane przez moduły niestandardowe.

Komunikaty o wyjątkach
Plik definicji modułu zawiera błędy.
Plik definicji modułu "{0}" zawiera błędy.
Plik definicji modułu "{0}" zawiera błędy. {1}

Błąd 0114

Zgłaszany podczas kompilowania modułu niestandardowego kończy się niepowodzeniem.

Ten błąd w Machine Learning jest generowany, gdy kompilacja modułu niestandardowego kończy się niepowodzeniem. Dzieje się tak, gdy podczas dodawania modułu niestandardowego napotkano co najmniej jeden błąd związany z modułem niestandardowym. Dodatkowe błędy są zgłaszane w tym komunikacie o błędzie.

Rozdzielczość: Rozwiąż błędy zgłoszone w tym komunikacie o wyjątku.

Komunikaty o wyjątkach
Nie można skompilować modułu niestandardowego.
Kompilacje modułu niestandardowego zakończyły się niepowodzeniem z błędami: {0}

Błąd 0115

Zgłaszany, gdy skrypt domyślny modułu niestandardowego ma nieobsługiwane rozszerzenie.

Ten błąd w Machine Learning występuje podczas podawania skryptu dla modułu niestandardowego, który używa nieznanego rozszerzenia nazwy pliku.

Rozdzielczość: Sprawdź format pliku i rozszerzenie nazwy pliku wszystkich plików skryptów zawartych w module niestandardowym.

Komunikaty o wyjątkach
Nieobsługiwany zakres dla skryptu domyślnego.
Nieobsługiwane rozszerzenie {0} pliku dla skryptu domyślnego.

Błąd 0121

Zgłaszany podczas SQL zapisu kończy się niepowodzeniem, ponieważ tabela jest niemożliwa do zapisania

Ten błąd w Machine Learning jest generowany, gdy używasz modułu Eksportuj dane do zapisywania wyników w tabeli w bazie danych SQL, a nie można zapisać tabeli. Zazwyczaj ten błąd występuje, jeśli moduł Eksportuj dane pomyślnie nawiązał połączenie z wystąpieniem SQL Server, ale nie może zapisać zawartości zestawu danych usługi Azure ML do tabeli.

Rozwiązanie:

  • Otwórz okienko Właściwości modułu Eksportuj dane i sprawdź, czy nazwy baz danych i tabel zostały wprowadzone poprawnie.
  • Przejrzyj schemat eksportowanego zestawu danych i upewnij się, że dane są zgodne z tabelą docelową.
  • Sprawdź, czy logowanie SQL skojarzone z nazwą użytkownika i hasłem ma uprawnienia do zapisu w tabeli.
  • Jeśli wyjątek zawiera dodatkowe informacje o błędach z SQL Server, użyj tych informacji, aby wprowadzić poprawki.
Komunikaty o wyjątkach
Połączono z serwerem, nie można zapisać w tabeli.
Nie można zapisać w tabeli Sql: {0}

Błąd 0122

Wyjątek występuje, jeśli określono wiele kolumn wagi, a tylko jedna z nich jest dozwolona.

Ten błąd w Machine Learning występuje, gdy wybrano zbyt wiele kolumn jako kolumny wagi.

Rozdzielczość: Przejrzyj wejściowy zestaw danych i jego metadane. Upewnij się, że tylko jedna kolumna zawiera wagi.

Komunikaty o wyjątkach
Określono wiele kolumn wagowych.

Błąd 0123

Wyjątek występuje, jeśli kolumna wektorów jest określona dla kolumny Etykieta.

Ten błąd w Machine Learning występuje w przypadku użycia wektora jako kolumny etykiety.

Rozdzielczość: W razie potrzeby zmień format danych kolumny lub wybierz inną kolumnę.

Komunikaty o wyjątkach
Kolumna wektorów jest określana jako kolumna Etykieta.

Błąd 0124

Wyjątek występuje, jeśli nieliczbowe kolumny są określone jako kolumna wagi.

Rozwiązanie:

Komunikaty o wyjątkach
Kolumna nieliczbowa jest określana jako kolumna wagi.

Błąd 0125

Zgłaszany, gdy schemat dla wielu zestawów danych nie jest zgodny.

Rozwiązanie:

Komunikaty o wyjątkach
Schemat zestawu danych jest niezgodny.

Błąd 0126

Wyjątek występuje, jeśli użytkownik określa domenę SQL, która nie jest obsługiwana w usłudze Azure ML.

Ten błąd jest generowany, gdy użytkownik określa domenę SQL, która nie jest obsługiwana w Machine Learning. Ten błąd zostanie wyświetlony, jeśli próbujesz nawiązać połączenie z serwerem bazy danych w domenie, która nie znajduje się na liście dozwolonych. Obecnie dozwolone domeny SQL to: ".database.windows.net", ".cloudapp.net" lub ".database.secure.windows.net". Oznacza to, że serwer musi być serwerem Azure SQL lub serwerem na maszynie wirtualnej na platformie Azure.

Rozdzielczość: Ponownie zajmij się modułem. Sprawdź, czy serwer bazy danych SQL należy do jednej z zaakceptowanych domen:

  • .database.windows.net

  • .cloudapp.net

  • .database.secure.windows.net

Komunikaty o wyjątkach
Nieobsługiwana domena SQL.
Domena {0} SQL nie jest obecnie obsługiwana w usłudze Azure ML

Błąd 0127

Rozmiar pikseli obrazu przekracza dozwolony limit

Ten błąd występuje, jeśli odczytujesz obrazy z zestawu danych obrazów do klasyfikacji, a obrazy są większe niż model może obsłużyć.

Rozdzielczość: Aby uzyskać więcej informacji na temat rozmiaru obrazu i innych wymagań, zobacz następujące tematy:

Komunikaty o wyjątkach
Rozmiar pikseli obrazu przekracza dozwolony limit.
Rozmiar pikseli obrazu w pliku "{0}" przekracza dozwolony limit: "{1}"

Błąd 0128

Liczba prawdopodobieństwa warunkowego dla kolumn kategorii przekracza limit.

Rozwiązanie:

Komunikaty o wyjątkach
Liczba prawdopodobieństwa warunkowego dla kolumn kategorii przekracza limit.
Liczba prawdopodobieństwa warunkowego dla kolumn kategorii przekracza limit. Kolumny "{0}" i "{1}" są problematyczną parą.

Błąd 0129

Liczba kolumn w zestawie danych przekracza dozwolony limit.

Rozwiązanie:

Komunikaty o wyjątkach
Liczba kolumn w zestawie danych przekracza dozwolony limit.
Liczba kolumn w zestawie danych w elemecie "{0}" przekracza dozwoloną wartość.
Liczba kolumn w zestawie danych w elemecie "{0}" przekracza dozwolony limit "{1}".
Liczba kolumn w zestawie danych w obiekcie "{0}" przekracza dozwolony limit "{1}{2}".

Błąd 0130

Wyjątek występuje, gdy wszystkie wiersze w zestawie danych treningowych zawierają brakujące wartości.

Dzieje się tak, gdy część kolumny w zestawie danych treningowych jest pusta.

Rozdzielczość: Użyj modułu Clean Missing Data (Czyszczenie brakujących danych ), aby usunąć kolumny ze wszystkimi brakującymi wartościami.

Komunikaty o wyjątkach
Wszystkie wiersze w zestawie danych szkoleniowych zawierają brakujące wartości. Rozważ użycie modułu Clean Missing Data (Czyszczenie brakujących danych), aby usunąć brakujące wartości.

Błąd 0131

Wyjątek występuje, jeśli co najmniej jeden zestaw danych w pliku zip nie zostanie poprawnie rozpakowany i zarejestrowany

Ten błąd jest generowany, gdy co najmniej jeden zestaw danych w pliku zip nie może zostać rozpakowany i odczytany poprawnie. Ten błąd zostanie wyświetlony, jeśli rozpakowywanie nie powiedzie się, ponieważ sam plik zip lub jeden z plików w nim jest uszkodzony lub wystąpił błąd systemowy podczas próby rozpakowania i rozwinięcia pliku.

Rozdzielczość: Użyj szczegółów podanych w komunikacie o błędzie, aby określić, jak kontynuować.

Komunikaty o wyjątkach
Upload spakowane zestawy danych nie powiodły się
Spakowany zestaw danych {0} nie powiódł się z następującym komunikatem: {1}
Spakowany zestaw danych {0} nie powiódł się z wyjątkiem z komunikatem {1} : {2}

Błąd 0132

Nie określono nazwy pliku do rozpakowywania; Znaleziono wiele plików w pliku zip.

Ten błąd jest generowany, gdy nie określono nazwy pliku do rozpakowywania; Znaleziono wiele plików w pliku zip. Ten błąd zostanie wyświetlony, jeśli plik .zip zawiera więcej niż jeden skompresowany plik, ale nie określono pliku wyodrębniania w polu tekstowym Zestaw danych do rozpakowywania w okienku Właściwości modułu. Obecnie tylko jeden plik można wyodrębnić przy każdym uruchomieniu modułu.

Rozdzielczość: Komunikat o błędzie zawiera listę plików znalezionych w pliku .zip. Skopiuj nazwę żądanego pliku i wklej go w polu tekstowym Zestaw danych, aby rozpakować .

Komunikaty o wyjątkach
Plik zip zawiera wiele plików; należy określić plik do rozwinięcia.
Plik zawiera więcej niż jeden plik. Określ plik do rozwinięcia. Znaleziono następujące pliki: {0}

Błąd 0133

Nie można odnaleźć określonego pliku w pliku zip

Ten błąd jest generowany, gdy nazwa pliku wprowadzona w polu Zestaw danych do rozpakowywania okienka Właściwości nie jest zgodna z nazwą żadnego pliku znalezionego w pliku .zip. Najczęstsze przyczyny tego błędu to błąd podczas wpisywania lub przeszukiwanie nieprawidłowego pliku archiwum w celu rozwinięcia pliku.

Rozdzielczość: Ponownie zajmij się modułem. Jeśli nazwa pliku, który ma być dekompresowany, zostanie wyświetlona na liście znalezionych plików, skopiuj nazwę pliku i wklej ją w polu Właściwości Zestaw danych do rozpakowywania . Jeśli na liście nie widzisz żądanej nazwy pliku, sprawdź, czy masz poprawny plik .zip i poprawną nazwę żądanego pliku.

Komunikaty o wyjątkach
Nie można odnaleźć określonego pliku w pliku zip.
Nie można odnaleźć określonego pliku. Znaleziono następujące pliki: {0}

Błąd 0134

Wyjątek występuje, gdy brakuje kolumny etykiety lub nie ma wystarczającej liczby wierszy z etykietami.

Ten błąd występuje, gdy moduł wymaga kolumny etykiety, ale nie został on uwzględniony w zaznaczeniu kolumny lub brakuje zbyt wielu wartości w kolumnie etykiety.

Ten błąd może również wystąpić, gdy poprzednia operacja zmienia zestaw danych, tak aby niewystarczające wiersze były dostępne dla operacji podrzędnej. Załóżmy na przykład, że używasz wyrażenia w module Partition and Sample (Partycja i przykład), aby podzielić zestaw danych według wartości. Jeśli dla wyrażenia nie zostaną znalezione żadne dopasowania, jeden z zestawów danych wynikowych z partycji będzie pusty.

Rozwiązanie:

Jeśli do zaznaczenia kolumny dołączysz kolumnę etykiety, ale nie zostanie ona rozpoznana, użyj modułu Edytuj metadane , aby oznaczyć ją jako kolumnę etykiety.

Użyj modułu Summarize Data (Podsumowanie danych ), aby wygenerować raport pokazujący, ile wartości brakuje w każdej kolumnie. Następnie możesz użyć modułu Clean Missing Data (Czyszczenie brakujących danych ), aby usunąć wiersze z brakującymi wartościami w kolumnie label.

Sprawdź wejściowe zestawy danych, aby upewnić się, że zawierają prawidłowe dane i wystarczającą liczbę wierszy, aby spełnić wymagania operacji. Wiele algorytmów wygeneruje komunikat o błędzie, jeśli wymaga minimalnej liczby wierszy danych, ale dane zawierają tylko kilka wierszy lub tylko nagłówek.

Komunikaty o wyjątkach
Wyjątek występuje, gdy brakuje kolumny etykiety lub nie ma wystarczającej liczby wierszy z etykietami.
Wyjątek występuje, gdy brakuje kolumny etykiety lub ma mniej niż {0} oznaczone wiersze

Błąd 0135

Obsługiwany jest tylko klaster oparty na centroidach.

Rozdzielczość: Ten komunikat o błędzie może wystąpić, jeśli podjęto próbę oceny modelu klastrowania opartego na niestandardowym algorytmie klastrowania, który nie używa centroidów do zainicjowania klastra.

Możesz użyć funkcji Evaluate Model (Ocena modelu ) do oceny modeli klastrowania opartych na module klastrowania metodą K-Średnich . W przypadku algorytmów niestandardowych użyj modułu Execute R Script (Wykonywanie skryptu języka R ), aby utworzyć niestandardowy skrypt oceny.

Komunikaty o wyjątkach
Obsługiwany jest tylko klaster oparty na centroidach.

Błąd 0136

Nie została zwrócona żadna nazwa pliku; program nie może przetworzyć pliku w wyniku.

Rozwiązanie:

Komunikaty o wyjątkach
Nie została zwrócona żadna nazwa pliku; program nie może przetworzyć pliku w wyniku.

Błąd 0137

Zestaw Azure Storage SDK napotkał błąd podczas odczytu lub zapisu podczas konwertowania między właściwościami tabeli i kolumnami zestawu danych.

Rozwiązanie:

Komunikaty o wyjątkach
Błąd konwersji między właściwością usługi Azure Table Storage i kolumną zestawu danych.
Błąd konwersji między właściwością usługi Azure Table Storage i kolumną zestawu danych. Dodatkowe informacje: {0}

Błąd 0138

Pamięć została wyczerpana, nie można ukończyć działania modułu. Downsampling zestawu danych może pomóc w złagodzeniu problemu.

Ten błąd występuje, gdy uruchomiony moduł wymaga więcej pamięci niż jest dostępny w kontenerze platformy Azure. Może się to zdarzyć, jeśli pracujesz z dużym zestawem danych, a bieżąca operacja nie może zmieścić się w pamięci.

Rozdzielczość: Jeśli próbujesz odczytać duży zestaw danych i nie można ukończyć operacji, może to pomóc w downsampling zestawu danych.

Jeśli używasz wizualizacji w zestawach danych do sprawdzania kardynalności kolumn, próbkowane są tylko niektóre wiersze. Aby uzyskać pełny raport, użyj funkcji Summarize Data (Podsumowanie danych). Możesz również użyć przekształcenia Zastosuj SQL, aby sprawdzić liczbę unikatowych wartości w każdej kolumnie.

Czasami przejściowe obciążenia mogą prowadzić do tego błędu. Obsługa maszyn również zmienia się w czasie. Aby uzyskać opis obsługiwanego rozmiaru danych, zobacz często zadawane pytania dotyczące Machine Learning.

Spróbuj użyć analizy głównych składników lub jednej z dostępnych metod wyboru funkcji, aby zmniejszyć zestaw danych do mniejszego zestawu kolumn z większą częścią funkcji: Wybór funkcji

Komunikaty o wyjątkach
Pamięć została wyczerpana, nie można ukończyć działania modułu.

Błąd 0139

Wyjątek występuje, gdy nie można przekonwertować kolumny na inny typ.

Ten błąd w Machine Learning występuje podczas próby przekonwertowania kolumny na inny typ danych, ale ten typ nie jest obsługiwany przez bieżącą operację lub przez moduł.

Błąd może również wystąpić, gdy moduł próbuje niejawnie przekonwertować dane w celu spełnienia wymagań bieżącego modułu, ale konwersja nie jest możliwa.

Rozwiązanie:

  1. Przejrzyj dane wejściowe i określ dokładny typ danych kolumny, której chcesz użyć, oraz typ danych kolumny, która generuje błąd. Czasami można pomyśleć, że typ danych jest poprawny, ale okaże się, że operacja nadrzędna zmodyfikowała typ danych lub użycie kolumny. Użyj modułu Edytowanie metadanych , aby zresetować metadane kolumny do pierwotnego stanu.

  2. Przyjrzyj się stronie pomocy modułu, aby sprawdzić wymagania dotyczące określonej operacji. Ustal, które typy danych są obsługiwane przez bieżący moduł i jaki zakres wartości jest obsługiwany.

  3. Jeśli wartości muszą zostać obcięte, zaokrąglone lub odstające, użyj modułów Zastosuj operację matematyczną lub Wartości wycinka , aby wprowadzić poprawki.

  4. Zastanów się, czy można przekonwertować lub rzutować kolumnę na inny typ danych. Wszystkie poniższe moduły zapewniają znaczną elastyczność i możliwości modyfikowania danych:

Uwaga

Nadal nie działa? Rozważ przekazanie dodatkowej opinii na temat problemu, aby pomóc nam w opracowaniu lepszych wskazówek dotyczących rozwiązywania problemów. Wystarczy przesłać opinię na tej stronie i podać nazwę modułu, który wygenerował błąd, oraz konwersję typu danych, która nie powiodła się.

Komunikaty o wyjątkach
Niedozwolona konwersja.
Nie można przekonwertować: {0}.
Nie można przekonwertować: {0}, w wierszu {1}.
Nie można przekonwertować kolumny typu {0} na kolumnę typu {1} w wierszu {2}.
Nie można przekonwertować kolumny "{2}" typu {0} na kolumnę typu {1} w wierszu {3}.
Nie można przekonwertować kolumny "" typu {0} na kolumnę "{3}" typu {1} w wierszu {4}.{2}

Błąd 0140

Wyjątek występuje, jeśli przekazany argument zestawu kolumn nie zawiera innych kolumn z wyjątkiem kolumny etykiety.

Ten błąd występuje, jeśli zestaw danych został połączony z modułem, który wymaga wielu kolumn, w tym funkcji, ale podano tylko kolumnę etykiety.

Rozdzielczość: Wybierz co najmniej jedną kolumnę funkcji do uwzględnienia w zestawie danych.

Komunikaty o wyjątkach
Określony zestaw kolumn nie zawiera innych kolumn z wyjątkiem kolumny etykiety.

Błąd 0141

Wyjątek występuje, jeśli liczba wybranych kolumn liczbowych i unikatowych wartości w kolumnach kategorii i ciągów jest za mała.

Ten błąd w Machine Learning występuje, gdy w wybranej kolumnie nie ma wystarczającej liczby unikatowych wartości do wykonania operacji.

Rozdzielczość: Niektóre operacje wykonują operacje statystyczne na kolumnach cech i kolumnach kategorii, a jeśli nie ma wystarczającej liczby wartości, operacja może zakończyć się niepowodzeniem lub zwrócić nieprawidłowy wynik. Sprawdź zestaw danych, aby sprawdzić, ile wartości znajduje się w kolumnach fature i label, i ustal, czy operacja, którą próbujesz wykonać, jest statystycznie prawidłowa.

Jeśli źródłowy zestaw danych jest prawidłowy, możesz również sprawdzić, czy niektóre operacje manipulowania danymi nadrzędnymi lub metadanymi zmieniły dane i usunęły niektóre wartości.

Jeśli operacje nadrzędne obejmują dzielenie, próbkowanie lub ponowne próbkowanie, sprawdź, czy dane wyjściowe zawierają oczekiwaną liczbę wierszy i wartości.

Komunikaty o wyjątkach
Liczba wybranych kolumn liczbowych i unikatowych wartości w kolumnach kategorii i ciągów jest za mała.
Całkowita liczba wybranych kolumn liczbowych i unikatowych wartości w kolumnach kategorii i ciągów (obecnie {0}) powinna wynosić co najmniej {1}

Błąd 0142

Wyjątek występuje, gdy system nie może załadować certyfikatu do uwierzytelniania.

Rozwiązanie:

Komunikaty o wyjątkach
Nie można załadować certyfikatu.
Nie można załadować certyfikatu {0} . Jego odcisk palca to {1}.

Błąd 0143

Nie można przeanalizować adresu URL podanego przez użytkownika, który ma pochodzić z GitHub.

Ten błąd w Machine Learning występuje podczas określania nieprawidłowego adresu URL, a moduł wymaga prawidłowego adresu URL GitHub.

Rozdzielczość: Sprawdź, czy adres URL odwołuje się do prawidłowego repozytorium GitHub. Inne typy witryn nie są obsługiwane.

Komunikaty o wyjątkach
Adres URL nie pochodzi z github.com.
Adres URL nie pochodzi z github.com: {0}

Błąd 0144

W adresie URL podanym przez użytkownika GitHub brakuje oczekiwanej części.

Ten błąd w Machine Learning występuje podczas określania źródła pliku GitHub przy użyciu nieprawidłowego formatu adresu URL.

Rozdzielczość: Sprawdź, czy adres URL repozytorium GitHub jest prawidłowy i kończy się ciągiem \blob\ lub \tree\.

Komunikaty o wyjątkach
Nie można przeanalizować adresu URL GitHub.
Nie można przeanalizować adresu URL GitHub (oczekiwano ciągu "\blob\" lub "\tree\" po nazwie repozytorium):{0}

Błąd 0145

Z jakiegoś powodu nie można utworzyć katalogu replikacji.

Ten błąd w Machine Learning występuje, gdy moduł nie może utworzyć określonego katalogu.

Rozwiązanie:

Komunikaty o wyjątkach
Nie można utworzyć katalogu replikacji.

Błąd 0146

Gdy pliki użytkownika zostaną rozpakowane w katalogu lokalnym, połączona ścieżka może być za długa.

Ten błąd w Machine Learning występuje podczas wyodrębniania plików, ale niektóre nazwy plików są zbyt długie po rozpakowaniu.

Rozdzielczość: Edytuj nazwy plików tak, aby łączna ścieżka i nazwa pliku nie przekraczały 248 znaków.

Komunikaty o wyjątkach
Ścieżka replikacji jest dłuższa niż 248 znaków, skraca nazwę skryptu lub ścieżkę.

Błąd 0147

Nie można pobrać rzeczy z GitHub z jakiegoś powodu

Ten błąd w Machine Learning występuje, gdy nie można odczytać ani pobrać określonych plików z GitHub.

Rozdzielczość: Problem może być tymczasowy; Możesz spróbować uzyskać dostęp do plików w innym czasie. Możesz też sprawdzić, czy masz niezbędne uprawnienia i czy źródło jest prawidłowe.

Komunikaty o wyjątkach
GitHub błąd dostępu.
GitHub błąd dostępu. {0}

Błąd 0148

Problemy z nieautoryzowanym dostępem podczas wyodrębniania danych lub tworzenia katalogu.

Ten błąd w Machine Learning występuje, gdy próbujesz utworzyć katalog lub odczytać dane z magazynu, ale nie masz niezbędnych uprawnień.

Rozwiązanie:

Komunikaty o wyjątkach
Wyjątek nieautoryzowanego dostępu podczas wyodrębniania danych.

Błąd 0149

Plik użytkownika nie istnieje w pakiecie GitHub.

Ten błąd w Machine Learning występuje, gdy nie można odnaleźć określonego pliku.

Rozwiązanie:

Komunikaty o wyjątkach
nie można odnaleźć pliku GitHub.
nie można odnaleźć pliku GitHub.:{0}

Błąd 0150

Nie można rozpakować skryptów pochodzących z pakietu użytkownika, najprawdopodobniej z powodu kolizji z plikami GitHub.

Ten błąd w Machine Learning występuje, gdy nie można wyodrębnić skryptu, zazwyczaj, gdy istnieje istniejący plik o tej samej nazwie.

Rozwiązanie:

Komunikaty o wyjątkach
Nie można rozpakować pakietu; możliwa kolizja nazw z plikami GitHub.

Błąd 0151

Wystąpił błąd podczas zapisywania w magazynie w chmurze. Sprawdź adres URL.

Ten błąd w Machine Learning występuje, gdy moduł próbuje zapisać dane w magazynie w chmurze, ale adres URL jest niedostępny lub nieprawidłowy.

Rozwiązanie: sprawdź adres URL i sprawdź, czy można go zapisywać.

Komunikaty o wyjątkach
Błąd podczas zapisywania w magazynie w chmurze (prawdopodobnie nieprawidłowy adres URL).
Błąd podczas zapisywania w magazynie w chmurze: {0}. Sprawdź adres URL.

Błąd 0152

Typ chmury platformy Azure został niepoprawnie określony w kontekście modułu.

Komunikaty o wyjątkach
Nieprawidłowy typ chmury platformy Azure
Nieprawidłowy typ chmury platformy Azure: {0}

Błąd 0153

Określony punkt końcowy magazynu jest nieprawidłowy.

Komunikaty o wyjątkach
Nieprawidłowy typ chmury platformy Azure
Zły punkt końcowy Storage:{0}

Błąd 0154

Nie można rozpoznać określonej nazwy serwera

Komunikaty o wyjątkach
Nie można rozpoznać określonej nazwy serwera
Nie można rozpoznać określonego serwera {0}.documents.azure.com

Błąd 0155

Klient docDb zgłosił wyjątek

Komunikaty o wyjątkach
Klient docDb zgłosił wyjątek
Klient docDb: {0}

Błąd 0156

Zła odpowiedź serwera HCatalog.

Komunikaty o wyjątkach
Zła odpowiedź serwera HCatalog. Sprawdź, czy wszystkie usługi są uruchomione.
Zła odpowiedź serwera HCatalog. Sprawdź, czy wszystkie usługi są uruchomione. Szczegóły błędu: {0}

Błąd 0157

Wystąpił błąd podczas odczytywania z usługi Azure Cosmos DB z powodu niespójnych lub różnych schematów dokumentów. Czytelnik wymaga, aby wszystkie dokumenty miały ten sam schemat.

Komunikaty o wyjątkach
Wykryto dokumenty z różnymi schematami. Upewnij się, że wszystkie dokumenty mają ten sam schemat

Błąd 1000

Wyjątek biblioteki wewnętrznej.

Ten błąd jest dostarczany w celu przechwycenia w przeciwnym razie nieobsługiwane błędy aparatu wewnętrznego. W związku z tym przyczyna tego błędu może się różnić w zależności od modułu, który wygenerował błąd.

Aby uzyskać więcej pomocy, zalecamy opublikowanie szczegółowego komunikatu, który towarzyszy błędowi na forum Machine Learning wraz z opisem scenariusza, w tym danymi używanymi jako dane wejściowe. Ta opinia pomoże nam ustalić priorytety błędów i zidentyfikować najważniejsze problemy dotyczące dalszej pracy.

Komunikaty o wyjątkach
Wyjątek biblioteki.
Wyjątek biblioteki: {0}
{0} wyjątek biblioteki: {1}

Więcej pomocy

Kody błędów modułu

Potrzebujesz więcej pomocy lub wskazówek dotyczących rozwiązywania problemów dotyczących Machine Learning? Wypróbuj następujące zasoby: