Solucionar problemas de exceções de módulo no Machine Learning Studio (clássico) usando códigos de erro

Importante

O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.

A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).

• Confira informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
• Saiba mais sobre o Azure Machine Learning.

A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.

Saiba mais sobre as mensagens de erro e os códigos de exceção que você pode encontrar usando módulos no Machine Learning Studio (clássico).

Para resolver o problema, procure o erro neste artigo para ler sobre causas comuns. Há duas maneiras de obter o texto completo de uma mensagem de erro no Studio (clássico):

• Clique no link, Exibir Log de Saída, no painel direito e role até a parte inferior. A mensagem de erro detalhada é exibida nas duas últimas linhas da janela.

• Selecione o módulo que tem o erro e clique no X vermelho. Somente o texto de erro pertinente é exibido.

Se o texto da mensagem de erro não for útil, envie-nos informações sobre o contexto e as adições ou alterações desejadas. Você pode enviar comentários sobre o tópico de erro ou visitar o fórum do Machine Learning Studio (clássico) e postar uma pergunta.

Erro 0001

Ocorrerá uma exceção se uma ou mais das colunas especificadas do conjunto de dados não puder ser encontrada.

Você receberá esse erro se uma seleção de coluna for feita para um módulo, mas as colunas selecionadas não existirem no conjunto de dados de entrada. Esse erro poderá ocorrer se você tiver digitado manualmente um nome de coluna ou se o seletor de coluna tiver fornecido uma coluna sugerida que não existia no conjunto de dados quando você executou o experimento.

Resolução: reveja o módulo gerando essa exceção e valide se o nome ou os nomes da coluna estão corretos e se todas as colunas referenciadas existem.

Mensagens de Exceção
Uma ou mais colunas especificadas não foram encontradas.
Coluna com nome ou índice "{0}" não encontrado
A coluna com nome ou índice "{0}" não existe em "{1}"

Erro 0002

Ocorrerá uma exceção se um ou mais parâmetros não puder ser analisado ou convertido do tipo especificado no exigido pelo tipo de método de destino.

Esse erro ocorre em Machine Learning quando você especifica um parâmetro como entrada e o tipo de valor é diferente do tipo esperado e a conversão implícita não pode ser executada.

Resolução: verifique os requisitos do módulo e determine qual tipo de valor é necessário (cadeia de caracteres, inteiro, duplo etc.)

Mensagens de Exceção
Falha ao analisar o parâmetro
Falha ao analisar o parâmetro "{0}"
Falha ao analisar (converter) o parâmetro "{0}" para "{1}"
Falha ao converter o parâmetro "{0}" de "{1}" para "{2}"
Falha ao converter o valor do parâmetro "{0}" de{1} "{2}" para "{3}"
Falha ao converter o valor "{0}" na coluna "{1}" de "{2}" para "{3}" com o uso do formato "{4}" fornecido

Erro 0003

Ocorrerá uma exceção se uma ou mais das entradas for nula ou estiver vazia.

Você receberá esse erro em Machine Learning se quaisquer entradas ou parâmetros para um módulo forem nulos ou vazios. Esse erro pode ocorrer, por exemplo, quando você não digitou nenhum valor para um parâmetro. Isso também poderá acontecer se você escolher um conjunto de dados que tem valores ausentes ou um conjunto de dados vazio.

Resolução:

• abra o módulo que produziu a exceção e verifique se todas as entradas foram especificadas. Verifique se todas as entradas necessárias foram especificadas.
• Verifique se os dados carregados do armazenamento do Azure estão acessíveis e se o nome ou a chave da conta não foi alterado.
• Verifique os dados de entrada quanto a valores ausentes ou nulos.
• Se estiver usando uma consulta em uma fonte de dados, verifique se os dados estão sendo retornados no formato esperado.
• Verifique se há erros de digitação ou outras alterações na especificação de dados.

Mensagens de Exceção
Uma ou mais das entradas são nulas ou estão vazias
A entrada "{0}" é nula ou vazia

Erro 0004

Ocorrerá uma exceção se o parâmetro for inferior ou igual ao valor específico.

Você receberá esse erro em Machine Learning se o parâmetro na mensagem estiver abaixo de um valor de limite necessário para que o módulo processe os dados.

Resolução: reveja o módulo gerando a exceção e modifique o parâmetro para que ele seja maior que o valor especificado.

Mensagens de Exceção
O parâmetro deve ser maior que o valor do limite.
O valor do parâmetro "{0}" deve ser maior que {1}.
O parâmetro "{0}" tem valor "{1}" que deve ser maior que {2}

Erro 0005

Ocorrerá uma exceção se o parâmetro for menor que um valor específico.

Você receberá esse erro em Machine Learning se o parâmetro na mensagem estiver abaixo ou igual a um valor de limite necessário para o módulo processar os dados.

Resolução: reveja o módulo gerando a exceção e modifique o parâmetro para que ele seja maior ou igual ao valor especificado.

Mensagens de Exceção
O parâmetro deve ser maior ou igual ao valor do limite.
O valor do parâmetro "{0}" deve ser maior ou igual a {1}.
O parâmetro "{0}" tem valor "{1}" que deve ser maior ou igual a {2}.

Erro 0006

Ocorrerá uma exceção se o parâmetro for maior ou igual ao valor especificado.

Você receberá esse erro em Machine Learning se o parâmetro na mensagem for maior ou igual a um valor de limite necessário para que o módulo processe os dados.

Resolução: reveja o módulo gerando a exceção e modifique o parâmetro para que ele seja menor que o valor especificado.

Mensagens de Exceção
Incompatibilidade de parâmetros. Um dos parâmetros deve ser menor que o outro.
O valor do parâmetro "{0}" deve ser menor que o valor do parâmetro "{1}".
O parâmetro "{0}" tem valor "{1}" que deve ser menor que {2}.

Erro 0007

Ocorrerá uma exceção se o parâmetro for maior que um valor específico.

Você receberá esse erro em Machine Learning se, nas propriedades do módulo, tiver especificado um valor maior do que o permitido. Por exemplo, você pode especificar um dado que está fora do intervalo de datas com suporte ou indicar que cinco colunas serão usadas quando apenas três colunas estiverem disponíveis.

Você também poderá ver esse erro se estiver especificando dois conjuntos de dados que precisam corresponder de alguma forma. Por exemplo, se você estiver renomeando colunas e especificá-las por índice, o número de nomes que você fornecer deverá corresponder ao número de índices de coluna. Outro exemplo pode ser uma operação matemática que usa duas colunas, em que elas devem ter o mesmo número de linhas.

Resolução:

• abra o módulo em questão e examine as configurações de propriedade numérica.
• Verifique se os valores de parâmetro estão dentro do intervalo de valores com suporte para essa propriedade.
• Se o módulo usar várias entradas, verifique se elas têm o mesmo tamanho.
• Se o módulo tiver várias propriedades que podem ser definidas, verifique se as propriedades relacionadas têm valores apropriados. Por exemplo, ao usar dados de grupo em compartimentos, se você usar a opção para especificar bordas de compartimento personalizadas, o número de compartimentos deverá corresponder ao número de valores fornecidos como limites de compartimento.
• Verifique se houve alterações no conjunto de dados ou na fonte de dados. Às vezes, um valor que funcionava com uma versão anterior dos dados falhará depois que o número de colunas, os tipos de dados da coluna ou o tamanho dos dados forem alterados.

Mensagens de exceção
Incompatibilidade de parâmetros. Um dos parâmetros deve ser inferior ou igual a outro.
O valor do parâmetro "{0}" deve ser menor ou igual ao valor "{1}" do parâmetro.
O parâmetro "{0}" tem valor "{1}" que deve ser menor ou igual a {2}.

Erro 0008

Ocorrerá uma exceção se o parâmetro não estiver no intervalo.

Você receberá esse erro em Machine Learning se o parâmetro na mensagem estiver fora dos limites necessários para que o módulo processe os dados.

Por exemplo, esse erro será exibido se você tentar usar Adicionar Linhas para combinar dois conjuntos de valores que têm um número diferente de colunas.

Resolução: reveja o módulo gerando a exceção e modifique o parâmetro para que ele esteja dentro do intervalo especificado.

Mensagens de Exceção
O valor do parâmetro não está no intervalo especificado.
O valor do parâmetro "{0}" não está no intervalo.
O valor do parâmetro "{0}" deve estar no intervalo de [{1}, {2}].

Erro 0009

Ocorrerá uma exceção quando o nome da conta ou o nome do contêiner de armazenamento do Azure for especificado incorretamente.

Esse erro ocorre no Machine Learning Studio (clássico) quando você especifica parâmetros para uma conta de armazenamento do Azure, mas o nome ou a senha não podem ser resolvidos. Erros em senhas ou em nomes de conta podem ocorrer por vários motivos:

• A conta é do tipo incorreto. Alguns novos tipos de conta não têm suporte para uso com o Machine Learning Studio (clássico). Confira Importar dados para obter detalhes.
• Você inseriu o nome da conta incorreto
• A conta não existe mais
• A senha da conta de armazenamento está incorreta ou foi alterada
• Você não especificou o nome do contêiner ou o contêiner não existe
• Você não especificou totalmente o caminho do arquivo (caminho para o blob)

Resolução:

esses problemas geralmente ocorrem quando você tenta inserir manualmente o nome da conta, a senha ou o caminho do contêiner. Recomendamos usar o novo assistente para o módulo Importar Dados, que ajuda você a pesquisar e verificar nomes.

Verifique também se a conta, o contêiner ou o blob foi excluído. Use outro utilitário de armazenamento do Azure para verificar se o nome da conta e a senha foram inseridos corretamente e se o contêiner existe.

Alguns tipos de conta mais recentes não são compatíveis com Machine Learning. Por exemplo, os novos tipos de armazenamento “quente” ou “frio” não podem ser usados para machine learning. As contas de armazenamento clássicas e as contas de armazenamento criadas como "uso geral" funcionam bem.

Se o caminho completo para um blob tiver sido especificado, verifique se o caminho foi especificado como contêiner/nome do blob e se o contêiner e o blob existem na conta.

O caminho não deve conter uma barra à esquerda. Por exemplo /contêiner/blob está incorreto e deve ser inserido como contêiner/blob.

Recursos

Confira este artigo para obter uma explicação das diferentes opções de armazenamento com suporte: importar dados para o Machine Learning Studio (clássico) de várias fontes de dados online com o módulo Importar Dados

Testes de amostra

Consulte estes experimentos na Galeria de Inteligência do Cortana para obter exemplos de como se conectar a diferentes fontes de dados:

• Dados de entrada de várias fontes: este laboratório fornece um guia visual para usar muitas das fontes de dados ML do Azure: experimentos do AzureML e interação de dados

• BD Cosmos do Azure: lendo dados do BD Cosmos do Azure no Machine Learning

• Importar dados não ilegívels usando Python: Carregar arquivo não texto do Armazenamento de Blobs do Azure

Mensagens de Exceção
O nome da conta de armazenamento do Azure ou o nome do contêiner está incorreto.
O nome da conta de armazenamento do Azure "{0}" ou o nome do contêiner "{1}" está incorreto; era esperado um nome de contêiner do formato contêiner/blob.

Erro 0010

Ocorrerá uma exceção se os conjuntos de dados da entrada tiverem nomes de colunas que deveriam corresponder, mas não correspondem.

Você receberá esse erro em Machine Learning se o índice de coluna na mensagem tiver nomes de coluna diferentes nos dois conjuntos de dados de entrada.

Resolução: use Editar metadados ou modifique o conjunto de dados original para ter o mesmo nome da coluna para o índice de coluna especificado.

Mensagens de Exceção
As colunas com índice correspondente em conjuntos de dados de entrada têm nomes diferentes.
Os nomes de coluna não são os mesmos para colunas {0} (baseadas em zero) de conjuntos de dados de entrada ({1} e {2} respectivamente).

Erro 0011

Ocorrerá uma exceção se o argumento de conjunto de colunas passado não se aplicar a nenhuma das colunas do conjunto de dados.

Você receberá esse erro em Machine Learning se a seleção de coluna especificada não corresponder a nenhuma das colunas no conjunto de dados especificado.

Você também poderá obter esse erro se não tiver selecionado uma coluna e pelo menos uma coluna for necessária para que o módulo funcione.

Resolução: modifique a seleção de coluna no módulo para que ela seja aplicada às colunas no conjunto de dados.

Se o módulo exigir que você selecione uma coluna específica, como uma coluna de rótulo, verifique se a coluna à direita está selecionada.

Se colunas inadequadas forem selecionadas, remova-as e execute novamente o experimento.

Mensagens de Exceção
O conjunto de colunas especificado não se aplica a nenhuma das colunas de conjunto de dados.
O conjunto de colunas especificado "{0}" não se aplica a nenhuma das colunas do conjunto de dados.

Erro 0012

Ocorrerá uma exceção se não tiver sido possível criar a instância da classe com o conjunto de argumentos passado.

Resolução: esse erro não é acionável pelo usuário e será preterido em uma versão futura.

Mensagens de Exceção
Modelo destreinado, treine primeiro o modelo.
Modelo não treinado ({0}), use o modelo treinado.

Erro 0013

A exceção ocorrerá se o aprendizado passado para o módulo for um tipo inválido.

Esse erro ocorre sempre que um modelo treinado é incompatível com o módulo de pontuação conectado. Por exemplo, conectar a saída do Recomendador de Caixa de Correspondência de Treinamento ao Modelo de Pontuação (em vez do Recomendador de Caixa de Correspondência de Pontuação) gerará esse erro quando o experimento for executado.

Resolução:

determine o tipo de aprendiz produzido pelo módulo de treinamento e o módulo de pontuação apropriado para o aprendiz.

Se o modelo tiver sido treinado usando qualquer um dos módulos de treinamento especializados, conecte o modelo treinado somente ao módulo de pontuação especializado correspondente.

Tipo de modelo	Módulo de treinamento	Módulo de pontuação
qualquer classificador	Treinar modelo ou ajustar hiperparâmetros de modelo	Pontuar Modelo
qualquer modelo de regressão	Treinar modelo ou ajustar hiperparâmetros de modelo	Pontuar Modelo
modelos de clustering	Treinar modelo de clustering ou clustering de varredura	Atribuir Dados a Clusters
Detecção de anomalias – One-Class SVM	Treinar um Modelo de Detecção de Anomalias	Pontuar Modelo
Detecção de anomalias – PCA	Treinar modelo ou ajustar hiperparâmetros de modelo	Modelo de Pontuação Algumas etapas adicionais são necessárias para avaliar o modelo.
Detecção de anomalias – série temporal	Detecção de anomalias de série temporal	O modelo treina a partir de dados e gera pontuações. O módulo não cria um aprendiz treinado e nenhuma pontuação adicional é necessária.
modelo de recomendação	Treinar recomendador Matchbox	Classificar recomendador Matchbox
classificação de imagem	Classificação de imagem em cascata previamente treinada	Pontuar Modelo
Modelos Vowpal Wabbit	Treinar o Modelo Vowpal Wabbit Versão 7-4	Pontuar o modelo vowpal wabbit versão 7-4
Modelos Vowpal Wabbit	Treinar o Modelo Vowpal Wabbit Versão 7-10	Pontuar o modelo vowpal wabbit versão 7-10
Modelos Vowpal Wabbit	Treinar o modelo vowpal wabbit versão 8	Pontuar o modelo vowpal wabbit versão 8

Mensagens de Exceção
O aprendiz de tipo inválido foi passado.
O aprendiz "{0}" tem um tipo inválido.

Erro 0014

Ocorrerá uma exceção se a contagem de valores exclusivos da coluna for maior que o permitido.

Esse erro ocorrerá quando uma coluna contiver um número excessivo de valores exclusivos. Por exemplo, você poderá ver esse erro se especificar que uma coluna seja tratada como dados categóricos, mas houver um número excessivo de valores exclusivos na coluna para permitir que o processamento seja concluído. Você também poderá ver esse erro se houver uma incompatibilidade entre o número de valores exclusivos em duas entradas.

Resolução:

abra o módulo que gerou o erro e identifique as colunas usadas como entradas. Para alguns módulos, você pode clicar com o botão direito do mouse na entrada do conjunto de dados e selecionar Visualizar para obter estatísticas em colunas individuais, incluindo o número de valores exclusivos e a distribuição.

Para as colunas que você pretende usar para agrupamento ou categorização, execute as etapas para reduzir o número de valores exclusivos em colunas. Você pode reduzir de maneiras diferentes, dependendo do tipo de dados da coluna.

• Para dados de texto, você pode usar o Texto de Pré-processamento para recolher entradas semelhantes.
• Para dados numéricos, você pode criar um número menor de compartimentos usando dados de grupo em compartimentos, remover ou truncar valores usando Valores de Clipe ou usar métodos de aprendizado de máquina, como Análise de Componente Principal ou Learning com Contagens para reduzir a dimensionalidade dos dados.

Dica

Não foi possível encontrar uma resolução que corresponda ao seu cenário? Você pode fornecer comentários sobre esse tópico que inclua o nome do módulo que gerou o erro e o tipo de dados e a cardinalidade da coluna. Usaremos as informações para fornecer etapas de solução de problemas mais direcionadas para cenários comuns.

Mensagens de Exceção
O número de valores exclusivos de coluna é maior do que o permitido.
Número de valores exclusivos na coluna: "{0}" excede a contagem de tuplas de {1}.

Erro 0015

Ocorrerá uma exceção se a conexão de banco de dados tiver falhado.

Você receberá esse erro se inserir um nome de conta SQL, uma senha, um servidor de banco de dados ou nome de banco de dados incorretamente ou se uma conexão com o banco de dados não puder ser estabelecida devido a problemas com o banco de dados ou o servidor.

Resolução: verifique se o nome da conta, a senha, o servidor de banco de dados e o banco de dados foram inseridos corretamente e se a conta especificada tem o nível correto de permissões. Verifique se o banco de dados está acessível no momento.

Mensagens de Exceção
Erro ao estabelecer a conexão de banco de dados.
Erro ao fazer a conexão de banco de dados: {0}.

Erro 0016

Ocorrerá uma exceção se os conjuntos de dados de entrada passados para o módulo devessem ter tipos de coluna compatíveis, o que não acontece.

Você receberá esse erro em Machine Learning se os tipos de colunas passadas em dois ou mais conjuntos de dados não forem compatíveis uns com os outros.

Resolução: Use Editar Metadados, modifique o conjunto de dados de entrada original ou use Converter em Conjunto de Dados para garantir que os tipos das colunas sejam compatíveis.

Mensagens de Exceção
As colunas com índice correspondente em conjuntos de dados de entrada têm tipos incompatíveis.
Colunas {0} e {1} são incompatíveis.
Os tipos de elemento de coluna não são compatíveis com colunas {0} (baseadas em zero) de conjuntos de dados de entrada ({1} e {2} respectivamente).

Erro 0017

Ocorrerá uma exceção se uma coluna selecionada usar um tipo de dados não compatível com o módulo atual.

Por exemplo, você poderá receber esse erro em Machine Learning se sua seleção de coluna incluir uma coluna com um tipo de dados que não pode ser processado pelo módulo, como uma coluna de cadeia de caracteres para uma operação matemática ou uma coluna de pontuação em que uma coluna de recurso categórica é necessária.

Resolução:

1. identifique a coluna que é o problema.
2. Examine os requisitos do módulo.
3. Modifique a coluna para que ela esteja em conformidade com os requisitos. Talvez seja necessário usar vários dos seguintes módulos para fazer alterações, dependendo da coluna e da conversão que você está tentando:
   • Use Editar Metadados para alterar o tipo de dados de colunas ou para alterar o uso da coluna de recurso para numérico, categórico para não categórica e assim por diante.
   • Use Converter em Conjunto de Dados para garantir que todas as colunas incluídas usem tipos de dados compatíveis com Machine Learning. Se você não puder converter as colunas, considere removê-las do conjunto de dados de entrada.
   • Use os módulos Aplicar SQL Transformação ou Executar Script R para converter ou converter colunas que não podem ser modificadas usando Editar Metadados. Esses módulos fornecem mais flexibilidade para trabalhar com tipos de dados datetime.
   • Para tipos de dados numéricos, você pode usar o módulo Aplicar Operação Matemática para arredondar ou truncar valores ou usar o módulo Clip Values para remover valores fora do intervalo.
4. Como último recurso, talvez seja necessário modificar o conjunto de dados de entrada original.

Dica

Não foi possível encontrar uma resolução que corresponda ao seu cenário? Você pode fornecer comentários sobre esse tópico que inclua o nome do módulo que gerou o erro e o tipo de dados e a cardinalidade da coluna. Usaremos as informações para fornecer etapas de solução de problemas mais direcionadas para cenários comuns.

Mensagens de Exceção
Não é possível processar a coluna do tipo atual. O tipo não é compatível com o módulo.
Não é possível processar a coluna do tipo {0}. O tipo não é compatível com o módulo.
Não é possível processar a coluna "{1}" do tipo {0}. O tipo não é compatível com o módulo.
Não é possível processar a coluna "{1}" do tipo {0}. O tipo não é compatível com o módulo. Nome do parâmetro: {2}

Erro 0018

Ocorrerá uma exceção se o conjunto de dados de entrada não for válido.

Resolução: Esse erro em Machine Learning pode aparecer em muitos contextos, portanto, não há uma única resolução. Em geral, o erro indica que os dados fornecidos como entrada para um módulo têm o número incorreto de colunas ou que o tipo de dados não corresponde aos requisitos do módulo. Por exemplo:

• o módulo requer uma coluna de rótulo, mas nenhuma coluna foi marcada como um rótulo ou você ainda não selecionou uma coluna de rótulo.

• O módulo requer que os dados sejam categóricos, mas seus dados são numéricos.

• O módulo requer um tipo de dados específico. Por exemplo, as classificações fornecidas para Treinar o Recomendador de Caixa de Correspondência podem ser numéricas ou categóricas, mas não podem ser números de ponto flutuante.

• Os dados estão no formato incorreto.

• Os dados importados contêm caracteres inválidos, valores inválidos ou valores fora do intervalo.

• A coluna está vazia ou contém muitos valores ausentes.

Para determinar os requisitos e como seus dados podem ser, examine o tópico de ajuda para o módulo que consumirá o conjunto de dados como entrada.

Também recomendamos que você use Sumarize Dados ou Estatísticas Primárias de Computação para criar o perfil de seus dados e use esses módulos para corrigir metadados e valores limpos: Editar Metadados, Limpar Dados Ausentes, Valores de Clipe.

Mensagens de Exceção
O conjunto de dados não é válido.
{0} contém dados inválidos.
{0} e {1} deve ser consistente em termos de coluna.

Erro 0019

Ocorrerá uma exceção se for esperado que a coluna contenha valores classificados, mas ela não contiver.

Você receberá esse erro em Machine Learning se os valores de coluna especificados estiverem fora de ordem.

Resolução: classifique os valores de coluna modificando manualmente o conjunto de dados de entrada e execute o módulo novamente.

Mensagens de Exceção
Os valores da coluna não estão classificados.
Os valores na coluna "{0}" não são classificados.
Os valores na coluna "{0}" do conjunto de dados "{1}" não são classificados.

Erro 0020

Ocorrerá uma exceção se o número de colunas em alguns dos conjuntos de dados transmitidos para o módulo for muito pequeno.

Você receberá esse erro em Machine Learning se não tiverem sido selecionadas colunas suficientes para um módulo.

Resolução: reveja o módulo e verifique se o seletor de coluna tem o número correto de colunas selecionado.

Mensagens de Exceção
O número de colunas no conjunto de dados de entrada é menor que o mínimo permitido.
O número de colunas no conjunto de dados de entrada é menor que o mínimo permitido de {0} colunas.
O número de colunas no conjunto de dados de entrada "{0}" é menor que o mínimo permitido de {1} colunas.

Erro 0021

Ocorrerá uma exceção se o número de linhas em alguns dos conjuntos de dados passados para o módulo for muito pequeno.

Esse erro em visto em Machine Learning quando não há linhas suficientes no conjunto de dados para executar a operação especificada. Por exemplo, você poderá ver esse erro se o conjunto de dados de entrada estiver vazio ou se você estiver tentando executar uma operação que exige que um número mínimo de linhas seja válido. Essas operações podem incluir (entre outros) o agrupamento ou a classificação com base em métodos estatísticos, determinados tipos de compartimentalização e aprendizado com contagens.

Resolução:

• abra o módulo que retornou o erro e verifique as propriedades do conjunto de dados de entrada e do módulo.
• Verifique se o conjunto de dados de entrada não está vazio e se há linhas de dados suficientes para atender aos requisitos descritos na ajuda do módulo.
• Se os dados forem carregados de uma fonte externa, verifique se a fonte de dados está disponível e se não há erro ou alteração na definição de dados que faria o processo de importação obter menos linhas.
• Se você estiver executando uma operação no dados upstream do módulo que possa afetar o tipo de dados ou o número de valores, como operações de limpeza, divisão ou junção, verifique as saídas dessas operações para determinar o número de linhas retornadas.

Erro 0022

Ocorrerá uma exceção se o número de colunas selecionadas no conjunto de dados de entrada não for igual ao número esperado.

Esse erro em Machine Learning pode ocorrer quando o módulo ou operação downstream requer um número específico de colunas ou entradas, e você forneceu poucas ou muitas colunas ou entradas. Por exemplo:

• você especifica uma coluna de rótulo ou de chave e selecionou várias colunas acidentalmente.

• Você está renomeando colunas, mas forneceu mais ou menos nomes do que colunas.

• O número de colunas na origem ou destino mudou foi alterado ou não corresponde ao número de colunas usado pelo módulo.

• Você forneceu uma lista de valores separados por vírgula para entradas, mas o número de valores não corresponde ou não há suporte para várias entradas.

Resolução: reveja o módulo e verifique a seleção de coluna para que o número correto de colunas esteja selecionado. Verifique as saídas dos módulos upstream e os requisitos das operações downstream.

Se você usou uma das opções de seleção de coluna que pode selecionar várias colunas (índices de coluna, todos os recursos, todas numéricas etc.), valide o número exato de colunas retornadas pela seleção.

Se você estiver tentando especificar uma lista separada por vírgulas de conjuntos de dados como entradas para desempacotar conjuntos de dados compactados, desempacote apenas um conjunto de dados por vez. Não há suporte para várias entradas.

Verifique se o número ou o tipo de colunas upstream não foi alterado.

Se você estiver usando um conjunto de dados de recomendação para treinar um modelo, lembre-se de que o recomendador espera um número limitado de colunas, que corresponde a pares de item de usuário ou classificações de item de usuário. Remova colunas adicionais antes de treinar o modelo ou dividir conjuntos de dados de recomendação. Para obter mais informações, confira Dividir Dados.

Mensagens de Exceção
O número de colunas selecionadas no conjunto de dados de entrada não é igual ao número esperado.
O número de colunas selecionadas no conjunto de dados de entrada não é igual a {0}.
O padrão de seleção de coluna "{0}" fornece o número de colunas selecionadas no conjunto de dados de entrada que não são iguais a {1}.
Espera-se que o padrão de seleção de colunas "{0}" forneça {1} colunas selecionadas no conjunto de dados de entrada, mas {2} as colunas são/são fornecidas.

Erro 0023

Ocorrerá uma exceção se a coluna de destino do conjunto de dados de entrada não for válida para o módulo atual do instrutor.

Esse erro em Machine Learning ocorrerá se a coluna de destino (conforme selecionado nos parâmetros do módulo) não for do tipo de dados válido, contiver todos os valores ausentes ou não for categórica conforme o esperado.

Resolução: reveja a entrada do módulo para inspecionar o conteúdo da coluna de rótulo/destino. Verifique se ela não tem todos os valores ausentes. Se o módulo estiver esperando que a coluna de destino seja categórica, verifique se há mais de um valor distinto na coluna de destino.

Mensagens de Exceção
O conjunto de dados de entrada tem uma coluna de destino sem suporte.
O conjunto de dados de entrada tem a coluna de destino sem suporte "{0}".
O conjunto de dados de entrada tem a coluna de destino "" sem{0} suporte para o aprendiz do tipo {1}.

Erro 0024

Ocorrerá uma exceção se o conjunto de dados não contiver uma coluna de rótulo.

Esse erro em Machine Learning ocorre quando o módulo requer uma coluna de rótulo e o conjunto de dados não tem uma coluna de rótulo. Por exemplo, a avaliação de um conjunto de dados classificado geralmente requer que uma coluna de rótulo esteja presente para calcular métricas de precisão.

Também pode ocorrer que uma coluna de rótulo esteja presente no conjunto de dados, mas não detectada corretamente por Machine Learning.

Resolução:

• abra o módulo que gerou o erro e determine se uma coluna de rótulo está presente. O nome ou tipo de dados da coluna não importa, desde que ela contenha um resultado (ou variável dependente) que você esteja tentando prever. Se você não tiver certeza de qual coluna tem o rótulo, procure um nome genérico, como Classe ou Destino.
• Se o conjunto de dados não incluir uma coluna de rótulo, talvez a coluna de rótulo tenha sido removida upstream explícita ou acidentalmente. Também pode ser que o conjunto de dados não seja a saída de um módulo de pontuação upstream.
• Para marcar explicitamente a coluna como a coluna de rótulo, adicione o módulo Editar Metadados e conecte o conjunto de dados. Selecione apenas a coluna de rótulo e, em seguida, selecione Rótulo na lista suspensa Campos.
• Se a coluna errada for escolhida como o rótulo, você poderá selecionar Limpar rótulo em Campos para corrigir os metadados na coluna.

Mensagens de Exceção
Não há nenhuma coluna de rótulo no conjunto de dados.
Não há nenhuma coluna de rótulo em "{0}".

Erro 0025

Ocorrerá uma exceção se o conjunto de dados não contiver uma coluna de pontuação.

Esse erro em Machine Learning ocorrerá se a entrada para o modelo de avaliação não contiver colunas de pontuação válidas. Por exemplo, o usuário tenta avaliar um conjunto de dados antes de ele ser pontuado com um modelo treinado correto ou a coluna de pontuação foi explicitamente descartada upstream. Essa exceção também ocorrerá se as colunas de pontuação nos dois conjuntos de dados forem incompatíveis. Por exemplo, você pode estar tentando comparar a precisão de um regressor linear com a de um classificador binário.

Resolução: reveja a entrada do modelo de avaliação e examine se ela contém uma ou mais colunas de pontuação. Caso contrário, o conjunto de dados não terá sido pontuado ou as colunas de pontuação terão sido descartadas em um módulo upstream.

Mensagens de Exceção
Não há nenhuma coluna de pontuação no conjunto de dados.
Não há nenhuma coluna de pontuação em "{0}".
Não há nenhuma coluna de pontuação em "{0}" produzida por um "{1}". Pontuar um conjunto de dados usando o tipo correto de aprendiz.

Erro 0026

Ocorrerá uma exceção se não forem permitidas colunas com o mesmo nome.

Esse erro em Machine Learning ocorrerá se várias colunas tiverem o mesmo nome. Uma forma de receber esse erro é se o conjunto de dados não tem uma linha de cabeçalho e os nomes de coluna são atribuídos automaticamente: Col0, Col1 etc.

Resolução: se as colunas tiverem o mesmo nome, insira um módulo Editar Metadados entre o conjunto de dados de entrada e o módulo. Use o seletor de coluna em Editar Metadados para selecionar colunas a serem renomeadas, digitando os novos nomes na caixa de texto Novos nomes de coluna.

Mensagens de Exceção
Nomes de colunas iguais são especificados nos argumentos. Não são permitidos nomes de colunas iguais por módulo.
Nomes de coluna iguais em argumentos "{0}" e "{1}" não são permitidos. Especifique nomes diferentes.

Erro 0027

Ocorrerá uma exceção caso os dois objetos precisem ser do mesmo tamanho, mas não forem.

Esse é um erro comum em Machine Learning e pode ser causado por muitas condições.

Resolução: não há resolução específica. No entanto, você pode verificar se há condições como as seguintes:

• Se você estiver renomeando colunas, verifique se cada lista (as colunas de entrada e a lista de novos nomes) tem o mesmo número de itens.

• Se você estiver unindo ou concatenando dois conjuntos de dados, verifique se eles têm o mesmo esquema.

• Se você estiver unindo dois conjuntos de dados que têm várias colunas, verifique se as principais colunas têm o mesmo tipo de dados e selecione a opção Permitir duplicatas e preservar a ordem de colunas na seleção.

Mensagens de Exceção
O tamanho dos objetos passados é inconsistente.
O tamanho de "{0}" é inconsistente com o tamanho de "{1}".

Erro 0028

Ocorrerá uma exceção caso o conjunto de colunas contenha nomes de colunas duplicados e isso não for permitido.

Esse erro em Machine Learning ocorre quando os nomes de coluna são duplicados; ou seja, não é exclusivo.

Resolução: se as colunas tiverem o mesmo nome, adicione uma instância de Editar Metadados entre o conjunto de dados de entrada e o módulo que está gerando o erro. Use o Seletor de Coluna em Editar Metadados para selecionar colunas a serem renomeadas e digite os novos nomes na caixa de texto Novos nomes de coluna. Se estiver renomeando várias colunas, verifique se os valores digitados em Novos nomes de coluna são exclusivos.

Mensagens de Exceção
O conjunto de colunas contém nomes de coluna duplicados.
O nome "{0}" é duplicado.
O nome "{0}" é duplicado em "{1}".

Erro 0029

Ocorrerá uma exceção caso um URI inválido seja passado.

Esse erro em Machine Learning ocorre no caso de o URI inválido ser passado. Você receberá esse erro se qualquer uma das seguintes condições for verdadeira: ou.

• O URI Público ou da SAS fornecido para o Armazenamento de Blobs do Azure para leitura ou gravação contém um erro.

• A janela de tempo para a SAS expirou.

• A URL da Web via origem HTTP representa um arquivo ou um URI de loopback.

• A URL da Web via HTTP contém uma URL formatada incorretamente.

• A URL não pode ser resolvida pela origem remota.

Resolução: reveja o módulo e verifique o formato do URI. Se a fonte de dados for uma URL da Web via HTTP, verifique se a origem pretendida não é um arquivo ou um URI de loopback (localhost).

Mensagens de Exceção
Um URI inválido foi passado.

Erro 0030

Ocorrerá uma exceção quando não for possível baixar um arquivo.

Essa exceção em Machine Learning ocorre quando não é possível baixar um arquivo. Você receberá essa exceção quando uma tentativa de leitura de uma origem HTTP falhar após 3 (três) repetições.

Resolução: verifique se o URI para a origem HTTP está correto e se o site está acessível no momento pela Internet.

Mensagens de Exceção
Não é possível baixar um arquivo.
Erro ao baixar o arquivo: {0}.

Erro 0031

Ocorrerá uma exceção se o número de colunas no conjunto de colunas for menor que o necessário.

Esse erro em Machine Learning ocorrerá se o número de colunas selecionadas for menor do que o necessário. Você receberá esse erro se o número mínimo necessário de colunas não estiver selecionado.

Resolução: adicione mais colunas à seleção de colunas usando o Seletor de Coluna.

Mensagens de Exceção
O número de colunas no conjunto de colunas é menor que o necessário.
{0} column(s) deve ser especificado. O número real de colunas especificadas é {1}.

Erro 0032

Ocorrerá uma exceção se o argumento não for um número.

Você receberá esse erro em Machine Learning se o argumento for um duplo ou NaN.

Resolução: modifique o argumento especificado para usar um valor válido.

Mensagens de Exceção
O argumento não é um número.
"{0}" não é um número.

Erro 0033

Ocorrerá uma exceção se o argumento for infinito.

Esse erro em Machine Learning ocorrerá se o argumento for infinito. Você receberá esse erro se o argumento for double.NegativeInfinity ou double.PositiveInfinity.

Resolução: modifique o argumento especificado para ser um valor válido.

Mensagens de Exceção
O argumento deve ser finito.
"{0}" não é finito.

Erro 0034

Ocorrerá uma exceção se houver mais de uma classificação para um determinado par usuário-item.

Esse erro em Machine Learning ocorrerá em recomendação se um par de item de usuário tiver mais de um valor de classificação.

Resolução: verifique se o par usuário-item tem apenas um valor de classificação.

Mensagens de Exceção
Existe mais de uma classificação para os valores no conjunto de dados.
Mais de uma classificação para usuário {0} e item {1} na tabela de dados de previsão de classificação.

Erro 0035

Ocorrerá uma exceção se nenhum recurso for fornecido por um determinado usuário ou item.

Esse erro em Machine Learning ocorre que você está tentando usar um modelo de recomendação para pontuação, mas um vetor de recurso não pode ser encontrado.

Resolução:

o recomendador Matchbox tem determinados requisitos que devem ser atendidos ao usar recursos de item ou recursos de usuário. Esse erro indica que um vetor de recurso está ausente para um usuário ou item que você forneceu como entrada. Você deve garantir que um vetor de recursos esteja disponível nos dados para cada usuário ou item.

Por exemplo, se você tiver treinado um modelo de recomendação usando recursos como a idade, a localização ou a renda do usuário, mas agora desejar criar pontuações para novos usuários que não foram vistos durante o treinamento, será preciso fornecer algum conjunto equivalente de recursos (ou seja, valores de idade, localização e renda) para os novos usuários a fim de fazer previsões apropriadas para eles.

Se você não tiver nenhum recurso para esses usuários, considere a engenharia de recursos para gerar os recursos apropriados. Por exemplo, se você não tiver valores de idade ou de renda do usuário individuais, poderá gerar valores aproximados a serem usados para um grupo de usuários.

Quando você estiver pontuando de um modo de recomendação, poderá usar os recursos de item ou usuário somente se tiver usado recursos de item ou usuário anteriormente durante o treinamento. Para obter mais informações, consulte Score Matchbox Recommender.

Para obter informações gerais sobre como funciona o algoritmo de recomendação do Matchbox e como preparar um conjunto de dados de recursos de item ou recursos do usuário, consulte Treinar o Recomendador de Caixa de Correspondência.

Dica

A resolução não se aplica ao seu caso? Você é bem-vindo a enviar comentários sobre este artigo e fornecer informações sobre o cenário, incluindo o módulo e o número de linhas na coluna. Usaremos essas informações para fornecer etapas de solução de problemas mais detalhadas no futuro.

Mensagens de Exceção
Nenhum recurso foi fornecido para um item ou usuário necessário.
Recursos necessários, {0} mas não fornecidos.

Erro 0036

Ocorrerá uma exceção se vários vetores do recurso forem fornecidos para um determinado usuário ou item.

Esse erro em Machine Learning ocorrerá se um vetor de recurso for definido mais de uma vez.

Resolução: verifique se o vetor de recurso não está definido mais de uma vez.

Mensagens de Exceção
Definição de recurso duplicada para um usuário ou item.
Definição de recurso duplicada para {0}.

Erro 0037

Ocorrerá uma exceção se várias colunas de rótulo forem especificadas e apenas uma for permitida.

Esse erro em Machine Learning ocorrerá se mais de uma coluna estiver selecionada para ser a nova coluna de rótulo. A maioria dos algoritmos de aprendizado supervisionados exige que uma coluna seja marcada como o destino ou o rótulo.

Resolução: selecione uma coluna como a nova coluna de rótulo.

Mensagens de Exceção
Várias colunas de rótulo estão especificadas.

Erro 0038

Ocorrerá uma exceção se o número de elementos esperado tiver de ser um valor exato, mas não for.

Esse erro em Machine Learning ocorrerá se o número de elementos esperados deve ser um valor exato, mas não é. Você receberá esse erro se o número de elementos não for igual ao valor esperado válido.

Resolução: Modifique a entrada para ter o número correto de elementos.

Mensagens de Exceção
O número de elementos não é válido.
O número de elementos em "{0}" não é válido.
O número de elementos em "{0}" não é igual ao número válido de {1} elementos.

Erro 0039

Ocorrerá uma exceção se uma operação tiver falhado.

Esse erro em Machine Learning ocorre quando uma operação interna não pode ser concluída.

Resolução: esse erro é causado por muitas condições e não há uma medida específica.
A tabela a seguir contém mensagens genéricas para esse erro, que são seguidas por uma descrição específica da condição.

Se nenhum detalhe estiver disponível, envie comentários e forneça informações sobre os módulos que geraram o erro e as condições relacionadas.

Mensagens de Exceção
Falha na operação.
Erro ao concluir a operação: {0}.

Erro 0040

Ocorrerá uma exceção ao chamar um módulo preterido.

Esse erro em Machine Learning é produzido ao chamar um módulo preterido.

Resolução: Substitua o módulo preterido por um com suporte. Consulte o log de saída do módulo para obter as informações sobre qual módulo usar.

Mensagens de Exceção
Acessando o módulo preterido.
O módulo "{0}" foi preterido. Use o módulo "{1}" em vez disso.

Erro 0041

Ocorrerá uma exceção ao chamar um módulo preterido.

Esse erro em Machine Learning é produzido ao chamar um módulo preterido.

Resolução: Substitua o módulo preterido por um conjunto de compatíveis. Essas informações devem estar visíveis no log de saída do módulo.

Mensagens de Exceção
Acessando o módulo preterido.
O módulo "{0}" foi preterido. Use os módulos "{1}" para a funcionalidade solicitada.

Erro 0042

Ocorrerá uma exceção quando não for possível converter a coluna em outro tipo.

Esse erro em Machine Learning ocorre quando não é possível converter a coluna no tipo especificado. Você receberá esse erro se um módulo exigir um tipo de dados específico, como data e hora, texto, um número de ponto flutuante ou inteiro, mas não for possível converter uma coluna existente no tipo necessário.

Por exemplo, você poderá selecionar uma coluna e tentar convertê-la em um tipo de dados numérico para uso em uma operação matemática e obter esse erro se a coluna contiver dados inválidos.

Outro motivo para você receber esse erro é se tentar usar uma coluna que contém números de ponto flutuante ou muitos valores exclusivos como uma coluna categórica.

Resolução:

• abra a página de ajuda do módulo que gerou o erro e verifique os requisitos de tipo de dados.
• Examine os tipos de dados das colunas no conjunto de dados de entrada.
• Inspecione os dados originados nas chamadas fontes de dados sem esquema.
• Verifique se há valores ausentes ou caracteres especiais no conjunto de dados que possam bloquear a conversão no tipo de dados desejado.
  • Os tipos de dados numéricos devem ser consistentes, por exemplo, verifique se há números de ponto flutuante em uma coluna de inteiros.
  • Procure cadeias de caracteres de texto ou valores NA em uma coluna de número.
  • Valores boolianos podem ser convertidos em uma representação apropriada dependendo do tipo de dados necessário.
  • Examinar colunas de texto quanto a caracteres não Unicode, caracteres de tabulação ou caracteres de controle
  • Os dados de data e hora devem ser consistentes para evitar erros de modelagem, mas a limpeza pode ser complexa devido aos muitos formatos. Considere usar os módulos Executar Script R ou Executar Script Python para executar a limpeza.
• Se necessário, modifique os valores no conjunto de dados de entrada para que a coluna possa ser convertida com êxito. A modificação pode incluir operações de compartimentalização, truncamento ou arredondamento, eliminação de exceções ou imputação de valores ausentes. Confira os seguintes artigos para ver alguns cenários comuns de transformação de dados no machine learning:
  • Recortar Valores
  • Limpar Dados Ausentes
  • Normalizar Dados
  • Agrupar dados em lixeiras

Dica

A resolução não está clara ou não se aplica ao seu caso? Você é bem-vindo a enviar comentários sobre este artigo e fornecer informações sobre o cenário, incluindo o módulo e o tipo de dados da coluna. Usaremos essas informações para fornecer etapas de solução de problemas mais detalhadas no futuro.

Mensagens de Exceção
Conversão não permitida.
Não foi possível converter coluna de tipo {0} em coluna do tipo {1}.
Não foi possível converter a coluna "{2}" do tipo {0} em coluna do tipo {1}.
Não foi possível converter a coluna "{2}" do tipo {0} na coluna "{3}" do tipo {1}.

Erro 0043

Ocorrerá uma exceção quando o tipo de elemento não implementar Igual explicitamente.

Esse erro em Machine Learning não é utilizado e será preterido.

Resolução: Nenhum.

Mensagens de Exceção
Nenhum método explícito acessível Igual encontrado.
Não é possível comparar valores para a coluna \"{0}\" do tipo {1}. Nenhum método explícito acessível Igual encontrado.

Erro 0044

Ocorrerá uma exceção quando não for possível derivar o tipo de elemento da coluna com base nos valores existentes.

Esse erro em Machine Learning ocorre quando não é possível inferir o tipo de uma coluna ou colunas em um conjunto de dados. Isso normalmente acontece ao concatenar dois ou mais conjuntos de dados com diferentes tipos de elementos. Se Machine Learning não conseguir determinar um tipo comum capaz de representar todos os valores em uma coluna ou colunas sem perda de informações, ele gerará esse erro.

Resolução: verifique se todos os valores em uma determinada coluna em ambos os conjuntos de dados que estão sendo combinados são do mesmo tipo (numérico, Booliano, categórico, cadeia de caracteres, data etc.) ou podem ser forçados para o mesmo tipo.

Mensagens de Exceção
Não é possível derivar o tipo de elemento da coluna.
Não é possível derivar o tipo de elemento para a coluna "{0}" – todos os elementos são referências nulas.
Não é possível derivar o tipo de elemento para a coluna "{0}" do conjunto de dados "{1}" – todos os elementos são referências nulas.

Erro 0045

Ocorrerá uma exceção quando não for possível criar uma coluna devido aos tipos de elemento mistos na origem.

Esse erro em Machine Learning é produzido quando os tipos de elemento de dois conjuntos de dados que estão sendo combinados são diferentes.

Resolução: verifique se todos os valores em uma determinada coluna em ambos os conjuntos de dados que estão sendo combinados são do mesmo tipo (numérico, Booliano, categórico, cadeia de caracteres, data etc.).

Mensagens de Exceção
Não foi possível criar colunas com tipos de elemento mistos.
Não é possível criar coluna com a ID "{0}" de tipos de elementos mistos:\n\tType de dados[{1}, {0}] é {2}\n\tType de dados[{3}, {0}] é {4}.

Erro 0046

Ocorrerá uma exceção quando não for possível criar um diretório no caminho especificado.

Esse erro em Machine Learning ocorre quando não é possível criar um diretório no caminho especificado. Você receberá esse erro se qualquer parte do caminho para o diretório de saída de uma consulta do Hive estiver incorreta ou inacessível.

Resolução: reveja o módulo e verifique se o caminho do diretório está formatado corretamente e se está acessível com as credenciais atuais.

Mensagens de Exceção
Especifique um diretório de saída válido.
Diretório: {0} não pode ser criado. Especifique o caminho válido.

Erro 0047

Ocorrerá uma exceção se o número de colunas de recurso em alguns dos conjuntos de dados transmitidos para o módulo for muito pequeno.

Esse erro em Machine Learning ocorrerá se o conjunto de dados de entrada para treinamento não contiver o número mínimo de colunas exigidas pelo algoritmo. Normalmente, o conjunto de dados está vazio ou contém apenas colunas de treinamento.

Resolução: Revisite o conjunto de dados de entrada para garantir que haja uma ou mais colunas adicionais além da coluna de rótulo.

Mensagens de Exceção
O número de colunas de recurso no conjunto de dados de entrada é menor que o mínimo permitido.
O número de colunas de recurso no conjunto de dados de entrada é menor que o mínimo permitido de {0} colunas.
O número de colunas de recurso no conjunto de dados de entrada "{0}" é menor que o mínimo permitido de {1} colunas.

Erro 0048

Ocorrerá uma exceção quando não for possível abrir um arquivo.

Esse erro em Machine Learning ocorre quando não é possível abrir um arquivo para leitura ou gravação. Você pode receber esse erro por estes motivos:

• O contêiner ou o arquivo (blob) não existe

• O nível de acesso do arquivo ou do contêiner não permite que você acesse o arquivo

• O arquivo é muito grande para ser lido ou o formato dele é incorreto

Resolução: reveja o módulo e o arquivo que você está tentando ler.

Verifique se os nomes do contêiner e do arquivo estão corretos.

Use o portal clássico do Azure ou uma ferramenta de armazenamento do Azure para verificar se você tem permissão para acessar o arquivo.

Se você estiver tentando ler um arquivo de imagem, verifique se ele atende aos requisitos de arquivos de imagem em termos de tamanho, número de pixels e assim por diante. Para obter mais informações, consulte Importar imagens.

Mensagens de Exceção
Não é possível abrir um arquivo.
Erro ao abrir o arquivo: {0}.

Erro 0049

Ocorrerá uma exceção quando não for possível analisar um arquivo.

Esse erro em Machine Learning ocorre quando não é possível analisar um arquivo. Você receberá esse erro se o formato de arquivo selecionado no módulo Importar Dados não corresponder ao formato real do arquivo ou se o arquivo contiver um caractere irreconhecível.

Resolução: reveja o módulo e corrija a seleção de formato de arquivo se ela não corresponder ao formato do arquivo. Se possível, inspecione o arquivo para confirmar se ele não contém nenhum caractere ilícito.

Mensagens de Exceção
Não é possível analisar um arquivo.
Erro ao analisar o arquivo: {0}.

Erro 0050

Ocorrerá uma exceção no caso de os arquivos de entrada e de saída serem os mesmos.

Resolução: Esse erro no Machine Learning não é utilizado e será preterido.

Mensagens de Exceção
Os arquivos especificados para entrada e saída não podem ser os mesmos.

Erro 0051

Ocorrerá uma exceção no caso de vários arquivos de saída serem os mesmos.

Resolução: Esse erro no Machine Learning não é utilizado e será preterido.

Mensagens de Exceção
Os arquivos especificados para saídas não podem ser os mesmos.

Erro 0052

Ocorrerá uma exceção se a chave da conta de armazenamento do Azure for especificada incorretamente.

Esse erro em Machine Learning ocorrerá se a chave usada para acessar a conta de armazenamento do Azure estiver incorreta. Por exemplo, você pode ver esse erro se a chave de armazenamento do Azure estava truncada quando copiada e colada ou se a chave errada foi usada.

Para obter mais informações sobre obter a chave para uma conta de armazenamento do Azure, confira Exibir, copiar e regenerar as chaves de acesso de armazenamento.

Resolução: reveja o módulo e verifique se a chave de armazenamento do Azure está correta para a conta; copie a chave novamente no portal clássico do Azure, se necessário.

Mensagens de Exceção
A chave da conta de armazenamento do Azure está incorreta.

Erro 0053

Ocorrerá uma exceção no caso de não haver nenhum recurso ou item de usuário para recomendações de matchbox.

Esse erro em Machine Learning é produzido quando um vetor de recurso não pode ser encontrado.

Resolução: verifique se um vetor de recurso está presente no conjunto de dados de entrada.

Mensagens de Exceção
Os recursos e/ou itens do usuário são necessários, mas não foram fornecidos.

Erro 0054

Ocorrerá uma exceção se houver poucos valores distintos na coluna para concluir a operação.

Resolução: Esse erro no Machine Learning não é utilizado e será preterido.

Mensagens de Exceção
Os dados têm poucos valores distintos na coluna especificada para concluir a operação.
Os dados têm poucos valores distintos na coluna especificada para concluir a operação. O mínimo necessário são {0} os elementos.
Os dados têm poucos valores distintos na coluna "{1}" para concluir a operação. O mínimo necessário são {0} os elementos.

Erro 0055

Ocorrerá uma exceção ao chamar um módulo preterido.

Esse erro em Machine Learning será exibido se você tentar chamar um módulo que foi preterido.

Resolução:

Mensagens de Exceção
Acessando o módulo preterido.
O módulo "{0}" foi preterido.

Erro 0056

Ocorrerá uma exceção se as colunas selecionadas para uma operação violarem os requisitos.

Esse erro em Machine Learning ocorre quando você está escolhendo colunas para uma operação que exige que a coluna seja de um tipo de dados específico.

Esse erro também poderá ocorrer se a coluna for o tipo de dados correto, mas o módulo que você estiver usando exigir que a coluna também seja marcada como uma coluna de recurso, rótulo ou categórica.

Por exemplo, o módulo Converter em Valores de Indicador requer que as colunas sejam categóricas e gerará esse erro se você selecionar uma coluna de recurso ou coluna de rótulo.

Resolução:

1. examine o tipo de dados das colunas selecionadas no momento.

2. Verifique se as colunas selecionadas são categóricas, de rótulo ou de recurso.

3. Examine o tópico de ajuda do módulo no qual você fez a seleção da coluna para determinar se há requisitos específicos para o tipo de dados ou o uso da coluna.

4. Use Editar Metadados para alterar o tipo de coluna durante essa operação. Altere o tipo de coluna de volta para o valor original dela, usando outra instância de Editar Metadados, se precisar dela para operações downstream.

Mensagens de Exceção
Uma ou mais colunas selecionadas não estavam em uma categoria permitida.
A coluna com o nome "{0}" não está em uma categoria permitida.

Erro 0057

Ocorrerá uma exceção ao tentar criar um arquivo ou um blob que já existe.

Essa exceção ocorre quando você está usando o módulo Exportar Dados ou outro módulo para salvar os resultados de um experimento em Machine Learning para o armazenamento de blobs do Azure, mas você tenta criar um arquivo ou blob que já existe.

Resolução:

você receberá esse erro somente se tiver definido anteriormente a propriedade Modo de gravação do Armazenamento de Blobs do Azure como Erro. Por design, esse módulo gerará um erro se você tentar gravar um conjunto de dados em um blob que já existe.

• Abra as propriedades do módulo e altere a propriedade Modo de gravação do Armazenamento de Blobs do Azure como Substituir.
• Como alternativa, você pode digitar o nome de um arquivo ou blob de destino diferente e especificar um blob que ainda não existe.

Mensagens de Exceção
O arquivo ou blob já existe.
O arquivo ou blob "{0}" já existe.

Erro 0058

Esse erro em Machine Learning ocorrerá se o conjunto de dados não contiver a coluna de rótulo esperada.

Essa exceção também poderá ocorrer quando a coluna de rótulo fornecida não corresponder aos dados ou tipo de dados esperados pelo aprendiz ou tiver os valores errados. Por exemplo, essa exceção é produzida ao usar uma coluna de rótulo de valor real ao treinar um classificador binário.

Resolução: a resolução depende do aprendiz ou do treinador que você está usando e dos tipos de dados das colunas no seu conjunto de dados. Primeiro, verifique os requisitos do módulo de treinamento ou de algoritmo do machine learning.

Reveja o conjunto de dados de entrada. Verifique se a coluna que você espera ser tratada como o rótulo tem o tipo de dados certo para o modelo que você está criando.

Verifique se há valores ausentes nas entradas e elimine-os ou substitua-os, se necessário.

Se necessário, adicione o módulo Editar Metadados e verifique se a coluna de rótulo está marcada como um rótulo.

Mensagens de Exceção
A coluna de rótulo não é a esperada
A coluna de rótulo não é como esperado em "{0}".
A coluna de rótulo "{0}" não é esperada em "{1}".

Erro 0059

Ocorrerá uma exceção se um índice de coluna especificado em um seletor de colunas não puder ser analisado.

Esse erro em Machine Learning ocorrerá se um índice de coluna especificado ao usar o Seletor de Colunas não puder ser analisado. Você receberá esse erro quando o índice de coluna estiver em um formato inválido que não pode ser analisado.

Resolução: modifique o índice de coluna para usar um valor de índice válido.

Mensagens de Exceção
Não foi possível analisar um ou mais índices de coluna ou intervalos de índice especificados.
O índice de coluna ou o intervalo "{0}" não puderam ser analisados.

Erro 0060

Ocorrerá uma exceção quando um intervalo de coluna fora do intervalo for especificado em um seletor de colunas.

Esse erro em Machine Learning ocorre quando um intervalo de colunas fora do intervalo é especificado no Seletor de Colunas. Você receberá esse erro se o intervalo de coluna no seletor de coluna não corresponder às colunas no conjunto de dados.

Resolução: modifique o intervalo de coluna no seletor de coluna para corresponder às colunas no conjunto de dados.

Mensagens de Exceção
Intervalo de índice de coluna inválido ou fora do intervalo especificado.
O intervalo de colunas "{0}" é inválido ou fora do intervalo.

Erro 0061

Ocorrerá uma exceção ao tentar adicionar uma linha a uma DataTable que tenha um número diferente de colunas da tabela.

Esse erro em Machine Learning ocorre quando você tenta adicionar uma linha a um conjunto de dados que tem um número diferente de colunas que o conjunto de dados. Você receberá esse erro se a linha que estiver sendo adicionada ao conjunto de dados tiver um número diferente de colunas do conjunto de dados de entrada. A linha não poderá ser acrescentada ao conjunto de dados se o número de colunas for diferente.

Resolução: modifique o conjunto de dados de entrada para ter o mesmo número de colunas que a linha adicionada ou modifique a linha adicionada para ter o mesmo número de colunas que o conjunto de dados.

Mensagens de Exceção
Todas as tabelas devem ter o mesmo número de colunas.

Erro 0062

Ocorrerá uma exceção durante a tentativa de comparar dois modelos com tipos diferentes de aprendiz.

Esse erro em Machine Learning é produzido quando as métricas de avaliação para dois conjuntos de dados pontuados diferentes não podem ser comparadas. Nesse caso, não é possível comparar a eficácia dos modelos usados para produzir os dois conjuntos de dados pontuados.

Resolução: verifique se os resultados pontuados são produzidos pelo mesmo tipo de modelo de machine learning (classificação binária, regressão, classificação de várias classes, recomendação, clustering, detecção de anomalias etc.) Todos os modelos comparados devem ter o mesmo tipo de aprendiz.

Mensagens de Exceção
Todos os modelos devem ter o mesmo tipo de aprendiz.

Erro 0063

Essa exceção é gerada quando a avaliação do script R falha com um erro.

Esse erro ocorre quando você fornece um script R em um dos módulos de linguagem R em Machine Learning e o código R contém erros de sintaxe interna. A exceção também poderá ocorrer se você fornecer as entradas erradas para o script R.

O erro também poderá ocorrer se o script for muito grande para ser executado no workspace. O tamanho máximo do script para o módulo Executar Script R é de 1.000 linhas ou 32 KB de espaço de trabalho, o que for menor.

Resolução:

1. No Machine Learning Studio (clássico), clique com o botão direito do mouse no módulo que tem o erro e selecione Exibir Log.
2. Examine o log de erros padrão do módulo, que contém o rastreamento de pilha.
   • As linhas que começam com [ModuleOutput] indicam a saída do R.
   • As mensagens do R marcadas como avisos normalmente não fazem com que o experimento falhe.
3. Resolva problemas de script.
   • Verifique se há erros de sintaxe R. Verifique se há variáveis definidas, mas nunca preenchidas.
   • Examine os dados de entrada e o script para determinar se os dados ou variáveis no script usam caracteres sem suporte por Machine Learning.
   • Verifique se todas as dependências do pacote estão instaladas.
   • Verifique se o código carrega bibliotecas necessárias que não são carregadas por padrão.
   • Verifique se os pacotes necessários são a versão correta.
   • Certifique-se de que qualquer conjunto de dados que você deseja gerar seja convertido em um quadro de dados.
4. Reenviar o experimento.

Observação

Esses tópicos contêm exemplos de código R que você pode usar, bem como links para experimentos na Cortana Intelligence Gallery que usam o script R.

• Executar Script R
• Criar modelo de R

Mensagens de Exceção
Erro durante a avaliação de script R.
O seguinte erro ocorreu durante a avaliação do script R: ---------- Início da mensagem de erro do R ---------- {0} ----------- Mensagem de fim de erro do R -----------
Durante a avaliação do script R "{1}" ocorreu o seguinte erro: ---------- Início da mensagem de erro do R ---------- {0} ----------- Fim da mensagem de erro do R -----------

Erro 0064

Ocorrerá uma exceção se o nome da conta de armazenamento do Azure ou a chave de armazenamento for especificado incorretamente.

Esse erro em Machine Learning ocorrerá se o nome da conta de armazenamento do Azure ou a chave de armazenamento for especificado incorretamente. Você receberá esse erro se inserir um nome de conta ou senha incorreto para a conta de armazenamento. Isso poderá ocorrer se você inserir manualmente o nome da conta ou a senha. Isso também poderá ocorrer se a conta tiver sido excluída.

Resolução: verifique se o nome da conta e a senha foram inseridos corretamente e se a conta existe.

Mensagens de Exceção
O nome da conta de armazenamento ou a chave de armazenamento do Azure está incorreto.
O nome da conta de armazenamento do Azure "{0}" ou a chave de armazenamento para o nome da conta estão incorretos.

Erro 0065

Ocorrerá uma exceção se o nome do blob do Azure estiver especificado incorretamente.

Esse erro em Machine Learning ocorrerá se o nome do blob do Azure for especificado incorretamente. Você receberá o erro se:

• O blob não puder ser encontrado no contêiner especificado.

• O nome totalmente qualificado do blob especificado para saída em uma das Learning com módulos Counts é maior que 512 caracteres.

• Apenas o contêiner tiver sido especificado como a origem em uma solicitação Importar Dados quando o formato era Excel ou CSV com codificação; a concatenação do conteúdo de todos os blobs dentro de um contêiner não é permitida com esses formatos.

• Um URI SAS não contiver o nome de um blob válido.

Resolução: reveja o módulo que gera a exceção. Verifique se o blob especificado existe no contêiner na conta de armazenamento e se as permissões permitem que você veja o blob. Verifique se a entrada está no formato nome do contâiner/nome do arquivo se você tiver os formatos Excel ou CSV com codificação. Verifique se um URI SAS contém o nome de um blob válido.

Mensagens de Exceção
O blob de armazenamento do Azure está incorreto.
O nome do blob de armazenamento do Azure "{0}" está incorreto

Erro 0066

Ocorrerá uma exceção se um recurso não puder ser carregado em um blob do Azure.

Esse erro em Machine Learning ocorrerá se um recurso não puder ser carregado em um Blob do Azure. Você receberá esta mensagem se Treinar o Modelo Vowpal Wabbit 7-4 encontrar um erro ao tentar salvar o modelo ou o hash criado ao treinar o modelo. Ambos são salvos na mesma conta de armazenamento do Azure que a conta que contém o arquivo de entrada.

Resolução: reveja o módulo. Verifique se o nome da conta, a chave de armazenamento e o contêiner do Azure estão corretos e se a conta tem permissão para gravar no contêiner.

Mensagens de Exceção
Não foi possível carregar o recurso no armazenamento do Azure.
O arquivo "{0}" não pôde ser carregado no armazenamento do Azure como {1}.

Erro 0067

Ocorrerá uma exceção se um conjunto de dados tiver um número diferente de colunas que o esperado.

Esse erro em Machine Learning ocorrerá se um conjunto de dados tiver um número diferente de colunas do que o esperado. Você receberá esse erro quando o número de colunas no conjunto de dados for diferente do número de colunas que o módulo espera durante a execução.

Resolução: modifique o conjunto de dados de entrada ou os parâmetros.

Mensagens de Exceção
Número de colunas na tabela de dados inesperado.
As colunas "{0}" esperadas, mas em vez disso, encontraram colunas "{1}".

Erro 0068

Ocorrerá uma exceção se o script do Hive especificado não estiver correto.

Esse erro em Machine Learning ocorrerá se houver erros de sintaxe em um script QL do Hive ou se o interpretador do Hive encontrar um erro durante a execução da consulta ou script.

Resolução:

a mensagem de erro do Hive normalmente é informada no Log de Erros para que você possa executar uma ação com base no erro específico.

• Abra o módulo e inspecione se há erros na consulta.
• Verifique se a consulta funciona corretamente fora de Machine Learning fazendo logon no console do Hive do cluster hadoop e executando a consulta.
• Tente inserir comentários em seu script do Hive em uma linha separada em vez de misturar instruções executáveis e comentários em uma linha.

Recursos

Confira os seguintes artigos para obter ajuda com consultas do Hive para machine learning:

• Criar tabelas do Hive e carregar dados do Armazenamento de Blobs do Azure
• Explorar dados em tabelas com consultas do Hive
• Criar recursos de dados em um cluster Hadoop usando as consultas do Hive
• Roteiro de Usuários do Hive para SQL (PDF)

Mensagens de Exceção
O script do Hive está incorreto.
O script {0} hive não está correto.

Erro 0069

Ocorrerá uma exceção se o script SQL especificado não estiver correto.

Esse erro no Machine Learning ocorrerá se o script SQL especificado tiver problemas de sintaxe ou se as colunas ou tabelas especificadas no script não forem válidas.

Você receberá esse erro se o mecanismo do SQL encontrar algum erro ao executar a consulta ou o script. A mensagem de erro do SQL normalmente é informada no Log de Erros para que você possa executar uma ação com base no erro específico.

Resolução: reveja o módulo e inspecione se há erros na consulta SQL.

Verifique se a consulta funciona corretamente fora do Azure ML fazendo logon no servidor de banco de dados diretamente e executando a consulta.

Se houver uma mensagem gerada por SQL informada pela exceção do módulo, execute uma ação com base no erro relatado. Por exemplo, as mensagens de erro às vezes incluem diretrizes específicas sobre o erro provável:

• Nenhuma coluna ou banco de dados ausente, indicando que você pode ter digitado um nome de coluna errado. Se você tiver certeza de que o nome da coluna está correto, tente usar colchetes ou aspas nos quais incluir o identificador de coluna.
• Erro lógico do SQL próximo à <palavra-chave SQL> , indicando que você pode ter um erro de sintaxe antes da palavra-chave especificada

Mensagens de Exceção
O script SQL está incorreto.
SQL consulta "{0}" não está correta.
SQL consulta "{0}" não está correta:{1}

Erro 0070

Ocorrerá uma exceção ao tentar acessar a tabela do Azure inexistente.

Esse erro em Machine Learning ocorre quando você tenta acessar uma tabela inexistente do Azure. Você receberá esse erro se especificar uma tabela no armazenamento do Azure, que não existe durante a leitura ou gravação no Armazenamento de Tabelas do Azure. Isso poderá acontecer se você digitar incorretamente o nome da tabela desejada ou se houver uma incompatibilidade entre o nome de destino e o tipo de armazenamento. Por exemplo, você pretendeu ler em uma tabela, mas inseriu o nome de um blob.

Resolução: reveja o módulo para verificar se o nome da tabela está correto.

Mensagens de Exceção
Não existe tabela do Azure.
A tabela "{0}" do Azure não existe.

Erro 0071

Ocorrerá uma exceção se as credenciais fornecidas estiverem incorretas.

Esse erro em Machine Learning ocorrerá se as credenciais fornecidas estiverem incorretas.

Você também poderá receber esse erro se o módulo não puder se conectar a um cluster HDInsight.

Resolução: Examine as entradas para o módulo e verifique o nome da conta e a senha.

Verifique os seguintes problemas que podem causar um erro:

• O esquema do conjunto de dados não corresponde ao esquema do datatable de destino.

• Os nomes das colunas estão ausentes ou escritos incorretamente

• Você está escrevendo em uma tabela que tem nomes de coluna com caracteres ilegais. Normalmente, você pode colocar esses nomes de coluna entre colchetes, mas se isso não funcionar, edite nomes de coluna para usar apenas letras e sublinhados (_)

• Cadeias de caracteres que você está tentando gravar contêm aspas simples

Se você estiver tentando se conectar a um cluster HDInsight, verifique se o cluster de destino está acessível com as credenciais fornecidas.

Mensagens de Exceção
Credenciais incorretas são passadas.
Nome de usuário incorreto "{0}" ou senha é passado

Erro 0072

Ocorrerá uma exceção caso a conexão atinja o tempo limite.

Esse erro em Machine Learning ocorre quando uma conexão atinge o tempo limite. Você receberá esse erro se houver atualmente problemas de conectividade com a fonte de dados ou destino, como conectividade lenta com a Internet ou se o conjunto de dados for grande e/ou a consulta SQL para ler nos dados executar um processamento complicado.

Resolução: determine se há problemas no momento com conexões lentas com o armazenamento do Azure ou com a Internet.

Mensagens de Exceção
Ocorreu um tempo limite de conexão.

Erro 0073

Ocorrerá uma exceção se ocorrer um erro durante a conversão de uma coluna em outro tipo.

Esse erro em Machine Learning ocorre quando não é possível converter a coluna em outro tipo. Você receberá esse erro se um módulo exigir um tipo específico e não for possível converter a coluna no novo tipo.

Resolução: modifique o conjunto de dados de entrada para que a coluna possa ser convertida com base na exceção interna.

Mensagens de Exceção
Falha ao converter a coluna.
Falha ao converter a coluna em {0}.

Erro 0074

A exceção ocorre quando os Metadados de Edição tentam converter uma coluna esparsa em categórica.

Esse erro em Machine Learning ocorre quando os Metadados de Edição tentam converter uma coluna esparsa em categórica. Você receberá esse erro ao tentar converter colunas esparsas em categóricas com a opção Fazer categórico . Machine Learning não dá suporte a matrizes categóricas esparsas, portanto, o módulo falhará.

Resolução: Torne a coluna densa usando Converter em Conjunto de Dados primeiro ou não converta a coluna em categórica.

Mensagens de Exceção
As colunas esparsas não podem ser convertidas em Categóricas.

Erro 0075

Ocorrerá uma exceção quando uma função de agrupamento inválida for usada ao quantizar um conjunto de dados.

Esse erro em Machine Learning ocorre quando você está tentando armazenar dados usando um método sem suporte ou quando as combinações de parâmetros são inválidas.

Resolução:

O tratamento de erros para esse evento foi introduzido em uma versão anterior do Machine Learning que permitia mais personalização de métodos de binning. No momento, todos os métodos de compartimentalização são baseados em uma seleção de uma lista suspensa, portanto, tecnicamente, não deve mais ser possível obter esse erro.

Se você receber esse erro ao usar os Dados de Grupo no módulo Bins, considere relatar o problema no fórum Machine Learning, fornecendo os tipos de dados, as configurações de parâmetro e a mensagem de erro exata.

Mensagens de Exceção
Função de compartimentalização inválida usada.

Erro 0077

Ocorrerá uma exceção quando o modo de gravação do arquivo blob desconhecido for passado.

Esse erro em Machine Learning ocorrerá se um argumento inválido for passado nas especificações de um destino ou origem de arquivo de blob.

Resolução: em quase todos os módulos que importam ou exportam dados de e para o Armazenamento de Blobs do Azure, os valores de parâmetro que controlam o modo de gravação são atribuídos usando uma lista suspensa; portanto, não é possível passar um valor inválido e esse erro não deve aparecer. Esse erro será preterido em uma versão posterior.

Mensagens de Exceção
Modo de gravação de blob sem suporte.
Modo de gravação de blob sem suporte: {0}.

Erro 0078

Ocorrerá uma exceção quando a opção HTTP para Importar Dados receber um código de status 3xx indicando o redirecionamento.

Esse erro em Machine Learning ocorre quando a opção HTTP para Importar Dados recebe um código de status 3xx (301, 302, 304 etc.) que indica o redirecionamento. Você receberá esse erro se tentar se conectar a uma origem HTTP que redireciona o navegador para outra página. Por motivos de segurança, o redirecionamento de sites não é permitido como fontes de dados para Machine Learning.

Resolução: se o site for confiável, insira a URL de redirecionamento diretamente.

Mensagens de Exceção
Redirecionamento de HTTP não permitido

Erro 0079

Ocorrerá uma exceção se o nome do contêiner de armazenamento do Azure estiver especificado incorretamente.

Esse erro em Machine Learning ocorrerá se o nome do contêiner de armazenamento do Azure for especificado incorretamente. Você receberá esse erro se não tiver especificado o contêiner e o nome do blob (arquivo) usando a opção o caminho para o blob que começa com o contêiner ao gravar no Armazenamento de Blobs do Azure.

Resolução: reveja o módulo Exportar Dados e verifique se o caminho especificado para o blob contém o contêiner e o nome do arquivo, no formato contêiner/nome de caminho.

Mensagens de Exceção
O nome do contêiner de armazenamento do Azure está incorreto.
O nome do contêiner de armazenamento do Azure "{0}" está incorreto; era esperado um nome de contêiner do formato contêiner/blob.

Erro 0080

Ocorrerá uma exceção quando a coluna com todos os valores ausentes não for permitida pelo módulo.

Esse erro em Machine Learning é produzido quando uma ou mais colunas consumidas pelo módulo contêm todos os valores ausentes. Por exemplo, se um módulo estiver calculando estatísticas de agregação para cada coluna, ele não poderá operar em uma coluna que não contenha nenhum dado. Nesses casos, a execução do módulo é interrompida com essa exceção.

Resolução: reveja o conjunto de dados de entrada e remova todas as colunas que contêm todos os valores ausentes.

Mensagens de Exceção
Colunas com todos os valores ausentes não são permitidas.
A coluna {0} tem todos os valores ausentes.

Erro 0081

Ocorrerá uma exceção no módulo PCA se o número de dimensões a serem reduzidas for igual ao número de colunas de recurso no conjunto de dados de entrada, que contém pelo menos uma coluna de recurso esparsa.

Esse erro em Machine Learning será produzido se as seguintes condições forem atendidas: (a) o conjunto de dados de entrada tem pelo menos uma coluna esparsa e (b) o número final de dimensões solicitadas é o mesmo que o número de dimensões de entrada.

Resolução: considere reduzir o número de dimensões na saída para ser menor que o número de dimensões na entrada. Isso é típico em aplicativos do PCA. Para obter mais informações, consulte Análise de Componente principal.

Mensagens de Exceção
Para o conjunto de dados que contém o número esparso de colunas de recursos de dimensões a serem reduzidos, deve ser menor que o número de colunas de recursos.

Erro 0082

Ocorrerá uma exceção quando um modelo não puder ser desserializado com êxito.

Esse erro em Machine Learning ocorre quando um modelo de aprendizado de máquina ou transformação salvo não pode ser carregado por uma versão mais recente do runtime Machine Learning como resultado de uma alteração significativa.

Resolução: O experimento de treinamento que produziu o modelo ou transformação deve ser executado novamente e o modelo ou transformação deve ser salvo novamente.

Mensagens de Exceção
Não foi possível desserializar o modelo porque ele provavelmente foi serializado com um formato de serialização mais antigo. Treine novamente e salve o modelo outra vez.

Erro 0083

Ocorrerá uma exceção se o conjunto de dados usado para treinamento não puder ser usado para o tipo concreto de aprendiz.

Esse erro em Machine Learning é produzido quando o conjunto de dados é incompatível com o aprendiz que está sendo treinado. Por exemplo, o conjunto de dados pode conter pelo menos um valor ausente em cada linha e, como resultado, todo o conjunto de dados seria ignorado durante o treinamento. Em outros casos, alguns algoritmos de machine learning, como a detecção de anomalias, não esperam que os rótulos estejam presentes e possam gerar essa exceção se os rótulos estão presentes no conjunto de dados.

Resolução: consulte a documentação do aprendiz que está sendo usada para verificar os requisitos para o conjunto de dados de entrada. Examine as colunas para ver se todas as colunas necessárias estão presentes.

Mensagens de Exceção
O conjunto de dados usado para treinamento é inválido.
{0} contém dados inválidos para treinamento.
{0} contém dados inválidos para treinamento. Tipo de aprendiz: {1}.

Erro 0084

Ocorrerá uma exceção quando as pontuações produzidas com base em um script R forem avaliadas. No momento, não há suporte para isso.

Esse erro em Machine Learning ocorrerá se você tentar usar um dos módulos para avaliar um modelo com saída de um script R que contenha pontuações.

Resolução:

Mensagens de Exceção
Há suporte atualmente para a avaliação de resultados produzidos por R.

Erro 0085

Ocorrerá uma exceção quando a avaliação de script falhar com um erro.

Esse erro em Machine Learning ocorre quando você está executando um script personalizado que contém erros de sintaxe.

Resolução: examine seu código em um editor externo e verifique se há erros.

Mensagens de Exceção
Erro durante a avaliação do script.
O seguinte erro ocorreu durante a avaliação do script, exiba o log de saída para obter mais informações: ---------- Início da mensagem de erro do {0} interpretador ---------- {1} ---------- Mensagem de fim de erro do {0} interpretador ----------

Erro 0086

A exceção ocorre quando uma transformação de contagem é inválida.

Esse erro em Machine Learning ocorre quando você seleciona uma transformação com base em uma tabela de contagem, mas a transformação selecionada é incompatível com os dados atuais ou com a nova tabela de contagem.

Resolução: O módulo dá suporte a salvar as contagens e as regras que compõem a transformação em dois formatos diferentes. Se você estiver mesclando tabelas de contagem, verifique se ambas as tabelas que você pretende mesclar usarão o mesmo formato.

Em geral, uma transformação baseada em contagem só pode ser aplicada a conjuntos de dados que têm o mesmo esquema que o conjunto de dados no qual a transformação foi criada originalmente.

Para obter informações gerais, consulte Learning com Contagens. Para obter requisitos específicos para criar e mesclar recursos baseados em contagem, consulte estes tópicos:

• Mesclar transformação de contagem

• Importar tabela de contagem

• Modificar parâmetros da tabela de contagem

Mensagens de Exceção
Transformação de contagem inválida especificada.
A transformação de contagem na porta de entrada '{0}' é inválida.
A transformação de contagem na porta de entrada '{0}' não pode ser mesclada com a transformação de contagem na porta de entrada '{1}'. Verifique se os metadados usados para contar correspondências.

Erro 0087

A exceção ocorre quando um tipo de tabela de contagem inválido é especificado para o aprendizado com módulos de contagem.

Esse erro em Machine Learning ocorre quando você tenta importar uma tabela de contagem existente, mas a tabela é incompatível com os dados atuais ou com a nova tabela de contagem.

Resolução: Há formatos diferentes para salvar as contagens e as regras que compõem a transformação. Se você estiver mesclando tabelas de contagem, verifique se ambas usam o mesmo formato.

Em geral, uma transformação baseada em contagem só pode ser aplicada a conjuntos de dados que têm o mesmo esquema que o conjunto de dados no qual a transformação foi criada originalmente.

Para obter informações gerais, consulte Learning com Contagens. Para obter requisitos específicos para criar e mesclar recursos baseados em contagem, consulte estes tópicos:

Erro 0088

A exceção ocorre quando um tipo de contagem inválido é especificado para o aprendizado com módulos de contagem.

Esse erro em Machine Learning ocorre quando você tenta usar um método de contagem diferente do que há suporte para a caracterização baseada em contagem.

Resolução: Em geral, os métodos de contagem são escolhidos em uma lista suspensa, portanto, você não deve ver esse erro.

Para obter informações gerais, consulte Learning com Contagens. Para obter requisitos específicos para criar e mesclar recursos baseados em contagem, consulte estes tópicos:

• Mesclar transformação de contagem

• Importar tabela de contagem

• Modificar parâmetros da tabela de contagem

Mensagens de Exceção
Foi especificado um tipo de contagem inválido.
O tipo de contagem especificado '{0}' não é um tipo de contagem válido.

Erro 0089

A exceção ocorre quando o número especificado de classes for menor que o número real de classes em um conjunto de dados usado para contagem.

Esse erro em Machine Learning ocorre quando você está criando uma tabela de contagem e a coluna de rótulo contém um número diferente de classes que você especificou nos parâmetros do módulo.

Resolução: Verifique o conjunto de dados e descubra exatamente quantos valores distintos (classes possíveis) existem na coluna de rótulo. Ao criar a tabela de contagem, você deve especificar pelo menos esse número de classes.

A tabela de contagem não pode determinar automaticamente o número de classes disponíveis.

Quando você cria a tabela de contagem, não é possível especificar 0 ou qualquer número menor que o número real de classes na coluna de rótulo.

Mensagens de Exceção
O número de classes está incorreto. Verifique se o número de classes especificadas no painel de parâmetros é maior ou igual ao número de classes na coluna de rótulo.
O número de classes especificadas é '{0}', que não é maior que um valor de rótulo '{1}' no conjunto de dados usado para contar. Verifique se o número de classes especificadas no painel de parâmetros é maior ou igual ao número de classes na coluna de rótulo.

Erro 0090

Ocorrerá uma exceção quando a criação da tabela do Hive falhar.

Esse erro em Machine Learning ocorre quando você está usando Exportar Dados ou outra opção para salvar dados em um cluster HDInsight e a tabela do Hive especificada não pode ser criada.

Resolução: verifique o nome da conta de armazenamento do Azure associado ao cluster e verifique se você está usando a mesma conta nas propriedades do módulo.

Mensagens de Exceção
Não foi possível criar a tabela do Hive. Para um cluster HDInsight, verifique se o nome da conta de armazenamento do Azure associado ao cluster é o mesmo que é passado por meio do parâmetro do módulo.
A tabela hive "{0}" não pôde ser criada. Para um cluster HDInsight, verifique se o nome da conta de armazenamento do Azure associado ao cluster é o mesmo que é passado por meio do parâmetro do módulo.
A tabela hive "{0}" não pôde ser criada. Para um cluster HDInsight, verifique se o nome da conta de armazenamento do Azure associado ao cluster é "{1}".

Erro 0100

Ocorrerá uma exceção quando um idioma sem suporte for especificado para um módulo personalizado.

Esse erro em Machine Learning ocorre ao criar um módulo personalizado e a propriedade de nome do elemento Language em um arquivo de definição xml de módulo personalizado tem um valor inválido. Atualmente, o único valor válido para essa propriedade é R. Por exemplo:

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

Resolução: Verifique se a propriedade de nome do elemento Language no arquivo de definição xml do módulo personalizado está definida como R. Salve o arquivo, atualize o pacote zip do módulo personalizado e tente adicionar o módulo personalizado novamente.

Mensagens de Exceção
Idioma do módulo personalizado sem suporte especificado

Erro 0101

Todas as IDs de porta e parâmetro devem ser exclusivas.

Esse erro em Machine Learning ocorre quando uma ou mais portas ou parâmetros recebem o mesmo valor de ID em um arquivo de definição XML de módulo personalizado.

Resolução: Verifique se os valores de ID em todas as portas e parâmetros são exclusivos. Salve o arquivo xml, atualize o pacote zip do módulo personalizado e tente adicionar o módulo personalizado novamente.

Mensagens de Exceção
Todas as IDs de porta e parâmetro para um módulo devem ser exclusivas
O módulo '{0}' tem IDs de porta/argumento duplicadas. Todas as IDs de porta/argumento devem ser exclusivas para um módulo.

Erro 0102

Gerado quando um arquivo ZIP não puder ser extraído.

Esse erro em Machine Learning ocorre quando você está importando um pacote compactado com a extensão .zip, mas o pacote não é um arquivo zip ou o arquivo não usa um formato zip com suporte.

Resolução: verifique se o arquivo selecionado é um arquivo .zip válido e se ele foi compactado usando um dos algoritmos de compactação com suporte.

Se você receber esse erro ao importar conjuntos de dados em formato compactado, verifique se todos os arquivos contidos usam um dos formatos de arquivo com suporte e se estão no formato Unicode. Para obter mais informações, consulte Desempacotar conjuntos de dados compactados.

Tente ler os arquivos desejados em uma nova pasta compactada compactada e tente adicionar o módulo personalizado novamente.

Mensagens de Exceção
O arquivo ZIP fornecido não está no formato correto

Erro 0103

Gerada quando um arquivo ZIP não contiver nenhum arquivo .xml

Esse erro em Machine Learning ocorre quando o pacote zip do módulo personalizado não contém nenhum arquivo de definição de módulo (.xml). Esses arquivos precisam residir na raiz do pacote zip (por exemplo, não dentro de uma subpasta).)

Resolução: Verifique se um ou mais arquivos de definição de módulo xml estão na pasta raiz do pacote zip extraindo-o para uma pasta temporária em sua unidade de disco. Todos os arquivos xml devem estar diretamente na pasta para a qual você extraiu o pacote zip. Certifique-se de criar o pacote zip que você não seleciona uma pasta que contém arquivos xml para zip, pois isso criará uma subpasta dentro do pacote zip com o mesmo nome da pasta que você selecionou para zip.

Mensagens de Exceção
O arquivo ZIP fornecido não contém nenhum arquivo de definição de módulo (arquivos .xml)

Erro 0104

Gerada quando um arquivo de definição de módulo fizer referência a um script que não pode ser localizado

Esse erro em Machine Learning é gerado quando um arquivo de definição xml de módulo personalizado faz referência a um arquivo de script no elemento Language que não existe no pacote zip. O caminho do arquivo de script é definido na propriedade sourceFile do elemento Language . O caminho para o arquivo de origem é relativo à raiz do pacote zip (mesmo local que os arquivos de definição xml do módulo). Se o arquivo de script estiver em uma subpasta, o caminho relativo para o arquivo de script deverá ser especificado. Por exemplo, se todos os scripts foram armazenados em uma pasta myScripts dentro do pacote zip, o elemento Language teria que adicionar esse caminho à propriedade sourceFile como abaixo. Por exemplo:

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

Resolução: Verifique se o valor da propriedade sourceFile no elemento Language da definição de xml do módulo personalizado está correto e se o arquivo de origem existe no caminho relativo correto no pacote zip.

Mensagens de Exceção
O arquivo de script R referenciado não existe.
O arquivo de script R referenciado '{0}' não pode ser encontrado. Verifique se o caminho relativo para o arquivo está correto do local de definições.

Erro 0105

Esse erro é exibido quando um arquivo de definição de módulo contém um tipo de parâmetro sem suporte

Esse erro em Machine Learning é produzido quando você cria uma definição xml de módulo personalizado e o tipo de um parâmetro ou argumento na definição não corresponde a um tipo com suporte.

Resolução: verifique se a propriedade de tipo de qualquer elemento Arg no arquivo de definição xml do módulo personalizado é um tipo com suporte.

Mensagens de Exceção
Tipo de parâmetro sem suporte.
Tipo de parâmetro '{0}' especificado sem suporte.

Erro 0106

Gerado quando um arquivo de definição de módulo define um tipo de entrada sem suporte

Esse erro em Machine Learning é produzido quando o tipo de porta de entrada em uma definição XML de módulo personalizado não corresponde a um tipo com suporte.

Resolução: Verifique se a propriedade type de um elemento Input no arquivo de definição XML do módulo personalizado é um tipo com suporte.

Mensagens de Exceção
Tipo de entrada sem suporte.
Tipo de entrada sem suporte '{0}' especificado.

Erro 0107

Gerado quando um arquivo de definição de módulo define um tipo de saída sem suporte

Esse erro em Machine Learning é produzido quando o tipo de porta de saída em uma definição de xml de módulo personalizado não corresponde a um tipo com suporte.

Resolução: verifique se a propriedade de tipo de um elemento Saída no arquivo de definição xml do módulo personalizado é um tipo com suporte.

Mensagens de Exceção
Tipo de saída sem suporte.
Tipo de saída sem suporte '{0}' especificado.

Erro 0108

Gerado quando um arquivo de definição de módulo define mais portas de entrada ou saída que o permitido

Esse erro em Machine Learning é produzido quando muitas portas de entrada ou saída são definidas em uma definição de xml de módulo personalizado.

Resolução: Garante que o número máximo de portas de entrada e saída definidas na definição de xml do módulo personalizado não exceda o número máximo de portas com suporte.

Mensagens de Exceção
Excedido o número de portas de entrada ou saída com suporte.
Número excedido de portas '{0}' com suporte. O número máximo permitido de portas '{0}' é '{1}'.

Erro 0109

Gerado quando um arquivo de definição de módulo define um seletor de coluna incorretamente

Esse erro em Machine Learning é produzido quando a sintaxe de um argumento seletor de coluna contém um erro em uma definição de xml de módulo personalizado.

Resolução: Esse erro é produzido quando a sintaxe de um argumento seletor de coluna contém um erro em uma definição de xml de módulo personalizado.

Mensagens de Exceção
Sintaxe do seletor de coluna sem suporte.

Erro 0110

Gerado quando um arquivo de definição de módulo define um seletor de coluna que faz referência a uma ID de porta de entrada inexistente

Esse erro em Machine Learning é produzido quando a propriedade portId dentro do elemento Properties de um Arg do tipo ColumnPicker não corresponde ao valor de ID de uma porta de entrada.

Resolução: Verifique se a propriedade portId corresponde ao valor de ID de uma porta de entrada definida na definição de xml do módulo personalizado.

Mensagens de Exceção
O seletor de colunas faz referência a uma ID de porta de entrada inexistente.
O seletor de coluna faz referência a uma ID de porta de entrada inexistente '{0}'.

Erro 0111

Gerado quando um arquivo de definição de módulo define uma propriedade inválida

Esse erro em Machine Learning é produzido quando uma propriedade inválida é atribuída a um elemento na definição de XML do módulo personalizado.

Resolução: Verifique se a propriedade tem suporte no elemento de módulo personalizado.

Mensagens de Exceção
A definição da propriedade é inválida.
A definição de propriedade '{0}' é inválida.

Erro 0112

Gerado quando um arquivo de definição de módulo não pode ser analisado.

Esse erro em Machine Learning é produzido quando há um erro no formato xml que impede que a definição de XML do módulo personalizado seja analisada como um arquivo XML válido.

Resolução: Verifique se cada elemento está aberto e fechado corretamente. Verifique se não há erros na formatação XML.

Mensagens de Exceção
Não é possível analisar o arquivo de definição de módulo.
Não é possível analisar o arquivo de definição do módulo '{0}'.

Erro 0113

Gerado quando um arquivo de definição de módulo contém erros.

Esse erro em Machine Learning é produzido quando o arquivo de definição XML do módulo personalizado pode ser analisado, mas contém erros, como a definição de elementos sem suporte por módulos personalizados.

Resolução: Verifique se o arquivo de definição de módulo personalizado define elementos e propriedades compatíveis com módulos personalizados.

Mensagens de Exceção
O arquivo de definição de módulo contém erros.
O arquivo de definição do módulo '{0}' contém erros.
O arquivo de definição do módulo '{0}' contém erros. {1}

Erro 0114

Gerado quando ocorre uma falha ao criar um módulo personalizado.

Esse erro em Machine Learning é produzido quando um build de módulo personalizado falha. Isso ocorre quando um ou mais erros personalizados relacionados ao módulo são encontrados ao adicionar o módulo personalizado. Os erros adicionais são relatados nesta mensagem de erro.

Resolução: Resolva os erros relatados nesta mensagem de exceção.

Mensagens de Exceção
Falha ao criar o módulo personalizado.
As compilações de módulo personalizadas falharam com erros: {0}

Erro 0115

Gerado quando um script padrão de módulo personalizado tem uma extensão sem suporte.

Esse erro em Machine Learning ocorre quando você fornece um script para um módulo personalizado que usa uma extensão de nome de arquivo desconhecido.

Resolução: Verifique o formato do arquivo e a extensão de nome de arquivo de todos os arquivos de script incluídos no módulo personalizado.

Mensagens de Exceção
Extensão sem suporte para script padrão.
Extensão {0} de arquivo sem suporte para script padrão.

Erro 0121

Lançada quando SQL gravações falha porque a tabela é desembrulhável

Esse erro em Machine Learning é produzido quando você está usando o módulo Exportar Dados para salvar resultados em uma tabela em um banco de dados SQL e a tabela não pode ser gravada. Normalmente, você verá esse erro se o módulo Exportar Dados estabelecer com êxito uma conexão com a instância SQL Server, mas não conseguir gravar o conteúdo do conjunto de dados do ML do Azure na tabela.

Resolução:

• Abra o painel Propriedades do módulo Exportar Dados e verifique se os nomes do banco de dados e da tabela foram inseridos corretamente.
• Examine o esquema do conjunto de dados que você está exportando e verifique se os dados são compatíveis com a tabela de destino.
• Verifique se o SQL entrar associado ao nome de usuário e à senha tem permissões para gravar na tabela.
• Se a exceção contiver informações de erro adicionais de SQL Server, use essas informações para fazer correções.

Mensagens de Exceção
Conectado ao servidor, não é possível gravar na tabela.
Não é possível gravar na tabela sql: {0}

Erro 0122

Ocorrerá uma exceção se várias colunas de peso forem especificadas e apenas uma for permitida.

Esse erro em Machine Learning ocorre quando muitas colunas foram selecionadas como colunas de peso.

Resolução: Examine o conjunto de dados de entrada e seus metadados. Verifique se apenas uma coluna contém pesos.

Mensagens de Exceção
Várias colunas de peso estão especificadas.

Erro 0123

A exceção ocorre se a coluna de vetores estiver especificada para a coluna Rótulo.

Esse erro em Machine Learning ocorrerá se você usar um vetor como a coluna de rótulo.

Resolução: Altere o formato de dados da coluna, se necessário, ou escolha uma coluna diferente.

Mensagens de Exceção
A coluna de vetores foi especificada como coluna Rótulo.

Erro 0124

A exceção ocorrerá se colunas não numéricas forem especificadas para serem a coluna de peso.

Resolução:

Mensagens de Exceção
A coluna não numérica foi especificada como a coluna de peso.

Erro 0125

Gerado quando o esquema de vários conjuntos de dados não corresponde.

Resolução:

Mensagens de Exceção
O esquema do conjunto de dados não corresponde.

Erro 0126

A exceção ocorre se o usuário especificar um domínio SQL que não tenha suporte no Azure ML.

Esse erro é produzido quando o usuário especifica um domínio SQL que não tem suporte no Machine Learning. Você receberá esse erro se estiver tentando se conectar a um servidor de banco de dados em um domínio que não está na lista permitida. Atualmente, os domínios SQL permitidos são: ".database.windows.net", ".cloudapp.net" ou ".database.secure.windows.net". Ou seja, o servidor deve ser um servidor SQL do Azure ou um servidor em uma máquina virtual no Azure.

Resolução: reveja o módulo. Verifique se o servidor de banco de dados SQL pertence a um dos domínios aceitos:

• .database.windows.net

• .cloudapp.net

• .database.secure.windows.net

Mensagens de Exceção
O domínio SQL não tem suporte.
No momento, não há suporte para o domínio {0} SQL no Azure ML

Erro 0127

O tamanho de pixel da imagem excede o limite permitido

Esse erro ocorrerá se você estiver lendo imagens de um conjunto de dados de uma imagem para classificação e as imagens forem maiores do que o modelo possa manipular.

Resolução: Para obter mais informações sobre o tamanho da imagem e outros requisitos, consulte estes tópicos:

• Importar imagens

• Classificação de imagem em cascata previamente treinada

Mensagens de Exceção
O tamanho de pixel da imagem excede o limite permitido.
O tamanho do pixel da imagem no arquivo '{0}' excede o limite permitido: '{1}'

Erro 0128

O número de probabilidades condicionais para colunas categóricas excede o limite.

Resolução:

Mensagens de Exceção
O número de probabilidades condicionais para colunas categóricas excede o limite.
O número de probabilidades condicionais para colunas categóricas excede o limite. As colunas '{0}' e '{1}' são o par problemático.

Erro 0129

O número de colunas no conjunto de dados excede o limite permitido.

Resolução:

Mensagens de Exceção
O número de colunas no conjunto de dados excede o limite permitido.
O número de colunas no conjunto de dados em '{0}' excede o permitido.
O número de colunas no conjunto de dados em '{0}' excede o limite permitido de '{1}'.
O número de colunas no conjunto de dados em '{0}' excede o limite '{1}' permitido de '{2}'.

Erro 0130

A exceção ocorre quando todas as linhas no conjunto de dados de treinamento contêm valores ausentes.

Isso ocorre quando algumas colunas no conjunto de dados de treinamento estão vazias.

Resolução: Use o módulo Limpar Dados Ausentes para remover colunas com todos os valores ausentes.

Mensagens de Exceção
Todas as linhas no conjunto de dados de treinamento contêm valores ausentes. Considere usar o módulo Limpar Dados Ausentes para remover valores ausentes.

Erro 0131

A exceção ocorrerá se um ou mais conjuntos de dados em um arquivo zip não forem descompactados e registrados corretamente

Esse erro é produzido quando um ou mais conjuntos de dados em um arquivo zip não são descompactados e lidos corretamente. Você receberá esse erro se o desempacotar falhar porque o arquivo zip em si ou um dos arquivos nele está corrompido ou há um erro do sistema ao tentar desempacotar e expandir um arquivo.

Resolução: Use os detalhes fornecidos na mensagem de erro para determinar como proceder.

Mensagens de Exceção
falha Upload conjuntos de dados compactados
Falha no conjunto {0} de dados compactado com a seguinte mensagem: {1}
Falha no conjunto {0} de dados compactado com uma {1} exceção com a mensagem: {2}

Erro 0132

Nenhum nome de arquivo foi especificado para desempacotar; vários arquivos foram encontrados no arquivo zip.

Esse erro é produzido quando nenhum nome de arquivo foi especificado para desempacotar; vários arquivos foram encontrados no arquivo zip. Você receberá esse erro se o arquivo .zip contiver mais de um arquivo compactado, mas não tiver especificado um arquivo para extração na caixa de texto Conjunto de Dados para Desempacotar , no painel Propriedade do módulo. Atualmente, apenas um arquivo pode ser extraído cada vez que o módulo é executado.

Resolução: A mensagem de erro fornece uma lista dos arquivos encontrados no arquivo .zip. Copie o nome do arquivo desejado e cole-o no conjunto de dados para desempacotar a caixa de texto.

Mensagens de Exceção
O arquivo zip contém vários arquivos; você deve especificar o arquivo a ser expandido.
O arquivo contém mais de um arquivo. Especifique o arquivo a ser expandido. Os seguintes arquivos foram encontrados: {0}

Erro 0133

O arquivo especificado não foi encontrado no arquivo zip

Esse erro é produzido quando o nome do arquivo inserido no conjunto de dados para desempacotar o campo Desempacotar do painel Propriedade não corresponde ao nome de nenhum arquivo encontrado no arquivo .zip. As causas mais comuns desse erro são um erro de digitação ou uma pesquisa no arquivo de arquivo de arquivo errado para que o arquivo seja expandido.

Resolução: reveja o módulo. Se o nome do arquivo que você pretende descompactar aparecer na lista de arquivos encontrados, copie o nome do arquivo e cole-o na caixa de propriedades Conjunto de Dados para Descompactar . Se você não vir o nome de arquivo desejado na lista, verifique se você tem o arquivo .zip correto e o nome correto para o arquivo desejado.

Mensagens de Exceção
O arquivo especificado não foi encontrado no arquivo zip.
O arquivo especificado não foi encontrado. Encontrei os seguintes arquivos: {0}

Erro 0134

A exceção ocorre quando a coluna de rótulo está ausente ou tem um número insuficiente de linhas rotuladas.

Esse erro ocorre quando o módulo requer uma coluna de rótulo, mas você não incluiu nenhuma na seleção de coluna ou a coluna de rótulo está sem muitos valores.

Esse erro também pode ocorrer quando uma operação anterior altera o conjunto de dados de modo que linhas insuficientes estão disponíveis para uma operação downstream. Por exemplo, suponha que você use uma expressão no módulo Partição e Exemplo para dividir um conjunto de dados por valores. Se nenhuma correspondência for encontrada para sua expressão, um dos conjuntos de dados resultante da partição estará vazio.

Resolução:

Se você incluir uma coluna de rótulo na seleção de coluna, mas ela não for reconhecida, use o módulo Editar Metadados para marcá-la como uma coluna de rótulo.

Use o módulo Resumir Dados para gerar um relatório que mostra quantos valores estão faltando em cada coluna. Em seguida, você pode usar o módulo Limpar Dados Ausentes para remover linhas com valores ausentes na coluna rótulo.

Verifique seus conjuntos de dados de entrada para verificar se eles contêm dados válidos e linhas suficientes para atender aos requisitos da operação. Muitos algoritmos gerarão uma mensagem de erro se exigirem algum número mínimo de linhas de dados, mas os dados contiverem apenas algumas linhas ou apenas um cabeçalho.

Mensagens de Exceção
A exceção ocorre quando a coluna de rótulo está ausente ou tem um número insuficiente de linhas rotuladas.
Exceção ocorre quando a coluna de rótulo está ausente ou tem linhas menos {0} rotuladas

Erro 0135

Há suporte apenas para cluster baseado em centroid.

Resolução: Você poderá encontrar essa mensagem de erro se tiver tentado avaliar um modelo de clustering baseado em um algoritmo de clustering personalizado que não usa centroides para inicializar o cluster.

Você pode usar o Modelo de Avaliação para avaliar modelos de clustering baseados no módulo clustering K-Means . Para algoritmos personalizados, use o módulo Executar Script R para criar um script de avaliação personalizado.

Mensagens de Exceção
Há suporte apenas para o cluster baseado em centroide.

Erro 0136

Nenhum nome de arquivo foi retornado; não é possível processar o arquivo como resultado.

Resolução:

Mensagens de Exceção
Nenhum nome de arquivo foi retornado; não é possível processar o arquivo como resultado.

Erro 0137

O SDK do Azure Armazenamento encontrou um erro ao converter entre as propriedades da tabela e as colunas do conjunto de dados durante a leitura ou gravação.

Resolução:

Mensagens de Exceção
Erro de conversão entre a propriedade de armazenamento de tabelas do Azure e a coluna do conjunto de dados.
Erro de conversão entre a propriedade de armazenamento de tabelas do Azure e a coluna do conjunto de dados. Informações adicionais: {0}

Erro 0138

A memória foi esgotada; não é possível concluir a execução do módulo. A redução do conjunto de dados pode ajudar a minimizar o problema.

Esse erro ocorre quando o módulo que está sendo executado requer mais memória do que o disponível no contêiner do Azure. Isso poderá acontecer se você estiver trabalhando com um grande conjunto de dados e a operação atual não couber na memória.

Resolução: se você estiver tentando ler um grande conjunto de dados e a operação não puder ser concluída, a redução da resolução do conjunto de dados poderá ajudar.

Se você usar as visualizações em conjuntos de dados para verificar a cardinalidade das colunas, apenas algumas linhas serão amostradas. Para obter um relatório completo, use Resumir Dados. Você também pode usar a Transformação Aplicar SQL para verificar o número de valores exclusivos em cada coluna.

Às vezes, cargas transitórias podem levar a esse erro. O suporte ao computador também muda ao longo do tempo. Consulte as perguntas frequentes sobre Machine Learning para obter uma descrição do tamanho dos dados com suporte.

Tente usar a Análise de Componente Principal ou um dos métodos de seleção de recursos fornecidos para reduzir seu conjunto de dados a um conjunto menor de colunas mais avançadas em recursos: Seleção de Recursos

Mensagens de Exceção
A memória foi esgotada; não é possível concluir a execução do módulo.

Erro 0139

A exceção ocorre quando não é possível converter uma coluna em outro tipo.

Esse erro em Machine Learning ocorre quando você tenta converter uma coluna em um tipo de dados diferente, mas esse tipo não é suportado pela operação atual ou pelo módulo.

O erro também pode aparecer quando um módulo tenta converter implicitamente dados para atender aos requisitos do módulo atual, mas a conversão não é possível.

Resolução:

1. Examine os dados de entrada e determine o tipo de dados exato da coluna que você deseja usar e o tipo de dados da coluna que está produzindo o erro. Às vezes, você pode achar que o tipo de dados está correto, mas descobre que uma operação upstream modificou o tipo de dados ou o uso de uma coluna. Use o módulo Editar Metadados para redefinir metadados de coluna para seu estado original.

2. Examine a página de ajuda do módulo para verificar os requisitos para a operação especificada. Determine quais tipos de dados têm suporte pelo módulo atual e qual intervalo de valores tem suporte.

3. Se os valores precisarem ser truncados, arredondados ou exceções removidos, use os módulos Aplicar Operação Matemática ou Valores de Clipe para fazer correções.

4. Considere se é possível converter ou converter a coluna em um tipo de dados diferente. Todos os módulos a seguir fornecem flexibilidade e potência consideráveis para modificar dados:

   • Aplicar Transformação SQL
   • Executar Script R
   • Execute o Script Python.

Observação

Ainda não está funcionando? Considere fornecer comentários adicionais sobre o problema para nos ajudar a desenvolver melhores diretrizes de solução de problemas. Basta enviar comentários nesta página e fornecer o nome do módulo que gerou o erro e a conversão de tipo de dados que falhou.

Mensagens de Exceção
Conversão não permitida.
Não foi possível converter: {0}.
Não foi possível converter: {0}, na linha {1}.
Não foi possível converter a coluna do tipo {0} em coluna do tipo {1} na linha {2}.
Não foi possível converter a coluna "{2}" do tipo {0} em coluna do tipo {1} na linha {3}.
Não foi possível converter a coluna "{2}" do tipo {0} na coluna "{3}" do tipo {1} na linha {4}.

Erro 0140

A exceção ocorrerá se o argumento de conjunto de colunas passado não contiver outras colunas, exceto a coluna de rótulo.

Esse erro ocorrerá se você conectou um conjunto de dados a um módulo que requer várias colunas, incluindo recursos, mas você forneceu apenas a coluna de rótulo.

Resolução: Escolha pelo menos uma coluna de recurso a ser incluída no conjunto de dados.

Mensagens de Exceção
O conjunto de colunas especificado não contém outras colunas, exceto a coluna de rótulo.

Erro 0141

Ocorrerá uma exceção se o número das colunas numéricas selecionadas e os valores exclusivos nas colunas categóricas e de cadeia de caracteres forem muito pequenos.

Esse erro em Machine Learning ocorre quando não há valores exclusivos suficientes na coluna selecionada para executar a operação.

Resolução: algumas operações executam operações estatísticas em colunas de recursos e categóricas e, se não houver valores suficientes, a operação poderá falhar ou retornar um resultado inválido. Verifique o conjunto de dados para ver quantos valores existem nas colunas fature e label e determine se a operação que você está tentando executar é estatisticamente válida.

Se o conjunto de dados de origem for válido, você também poderá verificar se alguma operação de metadados ou manipulação de dados upstream tiver alterado os dados e removido alguns valores.

Se as operações upstream incluírem a divisão, amostragem ou reamostragem, verifique se as saídas contêm o número esperado de linhas e valores.

Mensagens de Exceção
O número das colunas numéricas e de valores exclusivos selecionados nas colunas categóricas e de cadeia de caracteres é pequeno demais.
O número total de colunas numéricas selecionadas e valores exclusivos nas colunas categóricas e de cadeia de caracteres (atualmente {0}) deve ser pelo menos {1}

Erro 0142

A exceção ocorre quando o sistema não pode carregar o certificado para autenticar.

Resolução:

Mensagens de Exceção
O certificado não pode ser carregado.
O certificado {0} não pode ser carregado. Sua impressão digital é {1}.

Erro 0143

Não é possível analisar a URL fornecida pelo usuário que deveria ser de GitHub.

Esse erro em Machine Learning ocorre quando você especifica uma URL inválida e o módulo requer uma URL de GitHub válida.

Resolução: Verifique se a URL se refere a um repositório de GitHub válido. Não há suporte para outros tipos de site.

Mensagens de Exceção
A URL não é de github.com.
A URL não é de github.com: {0}

Erro 0144

A URL de GitHub fornecida pelo usuário não tem a parte esperada.

Esse erro em Machine Learning ocorre quando você especifica uma fonte de arquivo GitHub usando um formato de URL inválido.

Resolução: Verifique se a URL do repositório GitHub é válida e termina com \blob\ ou \tree\.

Mensagens de Exceção
Não é possível analisar GitHub URL.
Não é possível analisar GitHub URL (esperando '\blob\' ou '\tree\' após o nome do repositório):{0}

Erro 0145

Não é possível criar o diretório de replicação por algum motivo.

Esse erro em Machine Learning ocorre quando o módulo falha ao criar o diretório especificado.

Resolução:

Mensagens de Exceção
Não é possível criar o diretório de replicação.

Erro 0146

Quando os arquivos de usuário são descompactados no diretório local, o caminho combinado pode ser muito longo.

Esse erro em Machine Learning ocorre quando você está extraindo arquivos, mas alguns nomes de arquivo são muito longos quando descompactados.

Resolução: Edite os nomes de arquivo de modo que o caminho combinado e o nome do arquivo não sejam mais do que 248 caracteres.

Mensagens de Exceção
O caminho de replicação é maior que 248 caracteres, encurte o nome ou o caminho do script.

Erro 0147

Não foi possível baixar coisas de GitHub por algum motivo

Esse erro em Machine Learning ocorre quando você não pode ler ou baixar os arquivos especificados de GitHub.

Resolução: O problema pode ser temporário; você pode tentar acessar os arquivos em outro momento. Ou verifique se você tem as permissões necessárias e se a origem é válida.

Mensagens de Exceção
GitHub erro de acesso.
GitHub erro de acesso. {0}

Erro 0148

Problemas de acesso não autorizado ao extrair dados ou criar diretório.

Esse erro em Machine Learning ocorre quando você está tentando criar um diretório ou ler dados do armazenamento, mas não tem as permissões necessárias.

Resolução:

Mensagens de Exceção
Exceção de acesso não autorizado ao extrair dados.

Erro 0149

O arquivo de usuário não existe dentro GitHub pacote.

Esse erro em Machine Learning ocorre quando o arquivo especificado não pode ser encontrado.

Resolução:

Mensagens de Exceção
GitHub arquivo não foi encontrado.
GitHub arquivo não foi encontrado.:{0}

Erro 0150

Os scripts provenientes do pacote de usuário não puderam ser descompactados, provavelmente devido a uma colisão com arquivos GitHub.

Esse erro em Machine Learning ocorre quando um script não pode ser extraído, normalmente quando há um arquivo existente com o mesmo nome.

Resolução:

Mensagens de Exceção
Não é possível descompactar o pacote; possível colisão de nome com arquivos GitHub.

Erro 0151

Erro ao gravar no armazenamento em nuvem. Verificar a URL.

Esse erro em Machine Learning ocorre quando o módulo tenta gravar dados no armazenamento em nuvem, mas a URL está indisponível ou inválida.

Resolução: verifique a URL e verifique se ela é gravável.

Mensagens de Exceção
Erro ao gravar no armazenamento em nuvem (possivelmente uma URL incorreta).
Erro ao gravar no armazenamento em nuvem: {0}. Verifique a URL.

Erro 0152

O tipo de nuvem do Azure foi especificado incorretamente no contexto do módulo.

Mensagens de exceção
Tipo de nuvem do Azure inválido
Tipo de nuvem do Azure inválido: {0}

Erro 0153

O ponto de extremidade de armazenamento especificado é inválido.

Mensagens de Exceção
Tipo de nuvem do Azure inválido
Ponto de extremidade de Armazenamento inválido:{0}

Erro 0154

O nome do servidor especificado não pôde ser resolvido

Mensagens de Exceção
O nome do servidor especificado não pôde ser resolvido
Não foi possível resolver o .documents.azure.com do servidor {0}especificado

Erro 0155

O Cliente DocDb lançou uma exceção

Mensagens de Exceção
O Cliente DocDb lançou uma exceção
Cliente DocDb: {0}

Erro 0156

Resposta incorreta para o servidor HCatalog.

Mensagens de Exceção
Resposta incorreta para o servidor HCatalog. Verifique se todos os serviços estão em execução.
Resposta incorreta para o servidor HCatalog. Verifique se todos os serviços estão em execução. Detalhes do erro: {0}

Erro 0157

Erro ao ler do BD Cosmos do Azure devido a esquemas de documentos inconsistentes ou diferentes. O leitor requer que todos os documentos tenham o mesmo esquema.

Mensagens de Exceção
Documentos detectados com esquemas diferentes. Verifique se todos os documentos têm o mesmo esquema

Erro 1000

Exceção de biblioteca interna.

Esse erro é fornecido para capturar erros de mecanismo interno sem tratamento de outra forma. Portanto, a causa desse erro poderá ser diferente dependendo do módulo que gerou o erro.

Para obter mais ajuda, recomendamos que você poste a mensagem detalhada que acompanha o erro no fórum Machine Learning, juntamente com uma descrição do cenário, incluindo os dados usados como entradas. Esses comentários nos ajudarão a priorizar erros e identificar os problemas mais importantes para um trabalho adicional.

Mensagens de Exceção
Exceção de biblioteca.
Exceção da biblioteca: {0}
{0} exceção de biblioteca: {1}

Ajuda adicional

Códigos de erro do módulo

Precisa de mais ajuda ou dicas de solução de problemas para Machine Learning? Experimente estes recursos:

• Guia de solução de problemas: criar e conectar-se a um workspace do Machine Learning
• Machine Learning perguntas frequentes (perguntas frequentes)