Устранение неполадок исключений модулей в Машинное обучение Studio (классическая модель) с помощью кодов ошибок

Важно!

Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.

Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.

Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.

Сведения о сообщениях об ошибках и кодах исключений, которые могут возникнуть с помощью модулей в Машинное обучение Studio (классическая модель).

Чтобы устранить проблему, найдите ошибку в этой статье, чтобы узнать о распространенных причинах. Существует два способа получения полного текста сообщения об ошибке в Студии (классическая модель):

  • Щелкните ссылку, просмотрите журнал вывода в правой области и прокрутите вниз. Подробное сообщение об ошибке отображается в последних двух строках окна.

  • Выберите модуль с ошибкой и щелкните красный значок X. Отображается только соответствующий текст ошибки.

Если текст сообщения об ошибке не полезен, отправьте нам сведения о контексте и любых нужных дополнениях или изменениях. Вы можете отправить отзыв по теме ошибки или посетить форум Машинное обучение Studio (классическая версия) и отправить вопрос.

Ошибка 0001

Исключение возникает, если не удалось найти один или несколько столбцов указанного набора данных.

Эта ошибка возникает при выборе столбца для модуля, если выбранные столбцы не существуют во входном наборе данных. Эта ошибка может возникнуть, если вы вручную ввели имя столбца или если селектор столбца предоставил рекомендуемый столбец, который не существовал в наборе данных при выполнении эксперимента.

Решение. Повторно откройте модуль, в котором возникает это исключение, и убедитесь, что имя столбца или имена верны и все упомянутые столбцы действительно существуют.

Сообщения об исключении
Не удалось найти один или несколько указанных столбцов
Столбец с именем или индексом "{0}" не найден
Столбец с именем или индексом "{0}" не существует в "{1}"

Ошибка 0002

Исключение возникает, если один или несколько параметров не удалось проанализировать или преобразовать из заданного типа в необходимый для целевого метода тип.

Эта ошибка возникает в Машинное обучение при указании параметра в качестве входных данных, а тип значения отличается от ожидаемого типа, и неявное преобразование не может быть выполнено.

Решение. Проверьте требования к модулю и определите требуемый тип значения (string, integer, double и т. д.).

Сообщения об исключении
Не удалось выполнить синтаксический анализ параметра
Не удалось проанализировать параметр "{0}"
Не удалось проанализировать (преобразовать) параметр "{0}" в "{1}"
Не удалось преобразовать параметр "{0}" из "{1}" в "{2}"
Не удалось преобразовать значение параметра "{0}{1}" из "{2}" в "" в "{3}"
Не удалось преобразовать значение "{0}" в столбце "{1}" из "{2}" в "{3}" с использованием указанного формата "{4}"

Ошибка 0003

Исключение возникает, если один или несколько входных аргументов имеют значение NULL или пусты.

Эта ошибка появится в Машинное обучение если какие-либо входные данные или параметры модуля имеют значение NULL или пусты. Эта ошибка может возникать, например, если не введено какое-либо значение для параметра. Это также может произойти, если выбрать набор данных, содержащий отсутствующие значения или пустой набор данных.

Решение.

  • Откройте модуль, в котором возникло исключение, и убедитесь, что указаны все входные данные. Убедитесь, что указаны все необходимые входные данные.
  • Убедитесь, что данные, загружаемые из хранилища Azure, доступны, а имя или ключ учетной записи не изменились.
  • Проверьте входные данные на наличие отсутствующих значений или значений NULL.
  • При использовании запроса к источнику данных убедитесь, что данные возвращаются в нужном формате.
  • Проверьте наличие опечаток или других изменений в спецификации данных.
Сообщения об исключении
Один или несколько входных данных имеют значение null или пусты
Входной "{0}" имеет значение NULL или пусто

Ошибка 0004

Исключение возникает, если параметр меньше или равен определенному значению.

Эта ошибка появится в Машинное обучение если параметр в сообщении находится под значением границы, необходимым для обработки данных модулем.

Решение. Повторно откройте модуль, вызывающий исключение, и измените значение параметра, чтобы оно было больше указанного значения.

Сообщения об исключении
Parameter should be greater than boundary value (Значение параметра должно быть больше граничного значения).
Значение параметра "{0}" должно быть больше {1}.
Параметр "{0}" имеет значение "{1}", которое должно быть больше {2}

Ошибка 0005

Исключение возникает, если параметр меньше определенного значения.

Эта ошибка появится в Машинное обучение если параметр в сообщении ниже или равен значению границы, необходимому модулю для обработки данных.

Решение. Повторно откройте модуль, вызывающий исключение, и измените значение параметра, чтобы оно было больше или равно указанному значению.

Сообщения об исключении
Parameter should be greater than or equal to boundary value (Параметр должен быть больше или равен граничному значению).
Значение параметра "{0}" должно быть больше или равно {1}.
Параметр "{0}" имеет значение "{1}", которое должно быть больше или равно {2}.

Ошибка 0006

Исключение возникает, если значение параметра больше или равно определенному значению.

Эта ошибка появится в Машинное обучение если параметр в сообщении больше или равен значению границы, необходимому модулю для обработки данных.

Решение. Повторно откройте модуль, вызывающий исключение, и измените значение параметра, чтобы оно было меньше указанного значения.

Сообщения об исключении
Parameters mismatch. One of the parameters should be less than another (Несоответствие параметров. Значение одного параметра должно быть меньше значения другого).
Значение параметра "{0}" должно быть меньше значения параметра "{1}".
Параметр "{0}" имеет значение "{1}", которое должно быть меньше {2}.

Ошибка 0007

Исключение возникает, если параметр больше определенного значения.

Эта ошибка будет получена в Машинное обучение, если в свойствах модуля указано значение, больше допустимого. Например, можно задать данные, которые находятся вне диапазона поддерживаемых дат, или указать, что будут использоваться пять столбцов, когда доступны только три.

Эта ошибка может также возникать, если указать два набора данных, которые необходимо сопоставить. Например, если вы переименовываете столбцы и указываете столбцы по индексу, количество указываемых имен должно совпадать с числом индексов столбцов. Другим примером может служить математическая операция, использующая два столбца, где столбцы должны иметь одинаковое число строк.

Решение.

  • Откройте рассматриваемый модуль и проверьте параметры числовых свойств.
  • Убедитесь, что значения параметров находятся в пределах поддерживаемого диапазона значений для этого свойства.
  • Если модуль принимает несколько входных данных, убедитесь, что данные имеют одинаковый размер.
  • Если модуль имеет несколько свойств, которые можно задать, убедитесь, что связанные свойства имеют соответствующие значения. Например, при использовании групповых данных в ячейки, если вы используете параметр для указания настраиваемых ребер ячеек, количество ячеек должно соответствовать числу значений, предоставленных в качестве границ ячеек.
  • Проверьте, изменился ли набор или источник данных. Иногда значение, которое работало с предыдущей версией данных, будет выдавать ошибку после того, как число столбцов, тип данных столбца или размер данных изменились.
Сообщения об исключении
Parameters mismatch. One of the parameters should be less than or equal to another. (Несоответствие параметров. Значение одного из параметров должно быть меньше или равно значению другого).
Значение параметра "{0}" должно быть меньше или равно значению параметра "{1}".
Параметр "{0}" имеет значение "{1}", которое должно быть меньше или равно {2}.

Ошибка 0008

Исключение возникает, если параметр находится за пределами диапазона.

Эта ошибка появится в Машинное обучение если параметр в сообщении находится за пределами границ, необходимых модулю для обработки данных.

Например, эта ошибка отображается при попытке использовать функции добавления строк для объединения двух наборов данных, имеющих разное число столбцов.

Решение. Повторно откройте модуль, вызывающий исключение, и измените значение параметра, чтобы оно находилось в заданном диапазоне.

Сообщения об исключении
Parameter value is not in the specified range (Значение параметра находится за пределами указанного диапазона).
Значение параметра "{0}" не находится в диапазоне.
Значение параметра "{0}" должно находиться в диапазоне [{1}, {2}].

Ошибка 0009

Исключение возникает, если имя учетной записи хранения Azure или имя контейнера указаны неверно.

Эта ошибка возникает в Машинное обучение Studio (классическая модель) при указании параметров для учетной записи хранения Azure, но имя или пароль не могут быть разрешены. Ошибки в паролях или именах учетных записей могут происходить по многим причинам.

  • Неверный тип учетной записи. Некоторые новые типы учетных записей не поддерживаются для использования с Машинное обучение Studio (классическая модель). Дополнительные сведения см. в статье Модуль импорта данных.
  • Введено неправильное имя учетной записи.
  • Учетная запись больше не существует.
  • Неправильный или измененный пароль учетной записи хранения.
  • Вы не указали имя контейнера или контейнер не существует.
  • Путь к файлу не был полностью указан (путь к большому двоичному объекту).

Решение.

Такие проблемы часто возникают при попытке вручную ввести имя учетной записи, пароль или путь к контейнеру. Рекомендуется использовать новый мастер для модуля импорта данных, который помогает искать и проверять имена.

Также проверьте, удалена ли учетная запись, контейнер или большой двоичный объект. Используйте другую служебную программу службы хранилища Azure, чтобы убедиться, что имя учетной записи и пароль введены правильно и что контейнер существует.

Некоторые новые типы учетных записей не поддерживаются Машинное обучение. Например, новые типы хранилища ("горячее" или "холодное") нельзя использовать для машинного обучения. Как классические учетные записи хранения, так и учетные записи хранения общего назначения работают нормально.

Если указан полный путь к большому двоичному объекту, убедитесь, что путь указан как container/blobname и что контейнер и большой двоичный объект существуют в учетной записи.

Путь не должен содержать начальную косую черту. Например путь /container/blob неверен и должен иметь следующий формат: container/blob.

Ресурсы

Сведения о различных поддерживаемых вариантах хранения см. в этой статье: импорт данных в Машинное обучение Studio (классическая версия) из различных источников данных в интернете с помощью модуля импорта данных

Примеры экспериментов

Примеры подключения к различным источникам данных см. в следующих экспериментах в коллекции аналитики Кортана:

Сообщения об исключении
The Azure storage account name or container name is incorrect (Неверное имя учетной записи хранилища или контейнера Azure).
Имя учетной записи хранения Azure "{0}" или "имя{1} контейнера" неверно; ожидается имя контейнера формата или большого двоичного объекта.

Ошибка 0010

Исключение возникает, если имена столбцов входных наборов данных должны совпадать, но они не совпадают.

Эта ошибка появится в Машинное обучение если индекс столбца в сообщении содержит разные имена столбцов в двух входных наборах данных.

Решение. Используйте модуль изменения метаданных или измените исходный набор данных так, чтобы он совпадал с именем столбца для указанного индекса столбца.

Сообщения об исключении
Columns with corresponding index in input datasets have different names. (Имена столбцов с соответствующим индексом во входных наборах данных отличаются).
Имена столбцов не совпадают для столбцов {0} (отсчитываемых от нуля) входных наборов данных ({1} и {2} соответственно).

Ошибка 0011

Исключение возникает, если переданный аргумент набора столбцов не применяется к любому из столбцов набора данных.

Эта ошибка появится в Машинное обучение если указанный выбор столбца не соответствует ни одному из столбцов в заданном наборе данных.

Кроме того, эта ошибка может возникнуть, если вы не выбрали столбец, а для работы модуля требуется хотя бы один столбец.

Решение. Измените выбор столбца в модуле, чтобы он применялся к столбцам в наборе данных.

Если для модуля требуется выбрать конкретный столбец, например столбец меток, убедитесь, что выбран нужный.

Если выбраны недопустимые столбцы, удалите их и повторно запустите эксперимент.

Сообщения об исключении
Specified column set does not apply to any of dataset columns (Указанный набор столбцов не применяется к каким-либо из столбцов набора данных).
Указанный набор столбцов "{0}" не применяется ни к одному из столбцов набора данных.

Ошибка 0012

Исключение возникает, если не удалось создать экземпляр класса с переданным набором аргументов.

Решение. Эта ошибка не может быть исправлена пользователем и будет признана устаревшей в будущем выпуске.

Сообщения об исключении
Сначала обученная модель, обучение модели.
Необученная модель ({0}), используйте обученную модель.

Ошибка 0013

Исключение возникает при передаче в модуль неправильного типа ученика.

Эта ошибка возникает всякий раз, когда обученная модель несовместима с подключенным модулем оценки. Например, при выполнении эксперимента подключение выходных данных модуля train Matchbox Recommender к модели оценки (вместо средства оценки matchbox Recommender) приведет к возникновению этой ошибки.

Решение.

Определите тип ученика, создаваемого модулем обучения, и укажите, какой модуль оценки подходит для этого ученика.

Если модель была обучена с помощью любого из специализированных обучающих модулей, подключайте обученную модель только к соответствующему специализированному модулю оценки.

Тип модели Модуль обучения Модуль оценки
любой классификатор Обучение моделей или настройка гиперпараметров модели Оценка модели
любая модель регрессии Обучение моделей или настройка гиперпараметров модели Оценка модели
модели кластеризации Обучение модели кластеризации или очистка кластеризации Назначение данных в кластеры
Обнаружение аномалий — One-Class SVM Обучение модели обнаружения аномалий Оценка модели
Обнаружение аномалий — PCA Обучение моделей или настройка гиперпараметров модели Оценка модели
Для оценки модели требуются некоторые дополнительные действия.
Обнаружение аномалий — временные ряды Time Series Anomaly Detection (Обнаружение аномалий во временных рядах) Модель обучает данные и создает оценки. Модуль не создает обученного учащегося и не требует дополнительной оценки.
модель рекомендаций Обучение модели рекомендаций Matchbox Подсистема Score Matchbox
классификация изображений. Предварительно обученная каскадная модель классификации изображений Оценка модели
Модели Vowpal Wabbit Обучение модели Vowpal Wabbit версии 7-4 Оценка модели Vowpal Wabbit версии 7-4
Модели Vowpal Wabbit Обучение модели Vowpal Wabbit версии 7-10 Оценка модели Vowpal Wabbit версии 7-10
Модели Vowpal Wabbit Обучение модели Vowpal Wabbit версии 8 Оценка модели Vowpal Wabbit версии 8
Сообщения об исключении
Learner of invalid type is passed (Передан ученик недопустимого типа).
У learner "{0}" недопустимый тип.

Ошибка 0014

Исключение возникает, если количество уникальных значений столбца больше чем разрешено.

Эта ошибка возникает, когда столбец содержит слишком много уникальных значений. Например, эта ошибка может возникать, если указать, что столбец должен обрабатываться как категориальные данные, но в столбце слишком много уникальных значений, чтобы разрешить завершение обработки. Эта ошибка может также возникнуть в случае несоответствия числа уникальных значений в двух входных значениях.

Решение.

Откройте модуль, создавший ошибку, и найдите столбцы, используемые в качестве входных данных. В некоторых модулях можно щелкнуть правой кнопкой мыши входные данные набора данных и выбрать пункт Визуализировать, чтобы получить статистику по отдельным столбцам, включая количество уникальных значений и их распределение.

Для столбцов, которые предполагается использовать для группирования или категоризации, следует сократить число уникальных значений в столбцах. В зависимости от типа данных столбца их можно уменьшить различными способами.

Совет

Не удается найти решение, соответствующее вашему сценарию? Вы можете отправить отзыв об этом разделе, который содержит имя модуля, в котором возникла ошибка, а также тип данных и количество элементов в столбце. С помощью этих сведений мы сможем предоставить более подробные инструкции по устранению неполадок для распространенных сценариев.

Сообщения об исключении
Число уникальных значений столбца больше допустимого.
Число уникальных значений в столбце: "{0}" превышает число кортежей {1}.

Ошибка 0015

Исключение возникает, если произошел сбой подключения к базе данных.

Эта ошибка возникает при вводе неправильного имени учетной записи SQL, пароля, сервера базы данных или имени базы данных, а также в случае, если подключение к базе данных не удается установить из-за проблем с базой данных или сервером.

Решение. Убедитесь, что имя учетной записи, пароль, сервер базы данных и база данных введены правильно, а указанная учетная запись имеет правильный уровень разрешений. Убедитесь, что база данных в данный момент доступна.

Сообщения об исключении
Error making database connection (Ошибка создания подключения к базе данных).
Ошибка при подключении к базе данных: {0}.

Ошибка 0016

Исключение возникает, если входные наборы данных, переданные в модуль, должны иметь совместимые типы столбцов, но на самом деле это не так.

Эта ошибка появится в Машинное обучение если типы столбцов, переданных в двух или более наборах данных, несовместимы друг с другом.

Разрешение: Используйте изменение метаданных, измените исходный входной набор данных или используйте преобразование в набор данных , чтобы убедиться, что типы столбцов совместимы.

Сообщения об исключении
Columns with corresponding index in input datasets do have incompatible types (Столбцы с соответствующим индексом во входных наборах данных имеют несовместимые типы).
Столбцы {0} и {1} несовместимы.
Типы элементов column несовместимы для столбцов {0} (отсчитываемых от нуля) входных наборов данных ({1} и {2} соответственно).

Ошибка 0017

Исключение возникает, если в выбранном столбце используется тип данных, который не поддерживается текущим модулем.

Например, эта ошибка может появиться в Машинное обучение если выбор столбца содержит столбец с типом данных, который не может быть обработан модулем, например строковым столбцом для математической операции, или столбец оценки, в котором требуется категориальный столбец признаков.

Решение.

  1. Найдите столбец, содержащий проблему.
  2. Ознакомьтесь с требованиями модуля.
  3. Измените столбец, чтобы он соответствовал требованиям. Чтобы внести изменения, может потребоваться несколько следующих модулей в зависимости от используемого столбца и преобразования.
  4. В крайнем случае попробуйте изменить исходный входной набор данных.

Совет

Не удается найти решение, соответствующее вашему сценарию? Вы можете отправить отзыв об этом разделе, который содержит имя модуля, в котором возникла ошибка, а также тип данных и количество элементов в столбце. С помощью этих сведений мы сможем предоставить более подробные инструкции по устранению неполадок для распространенных сценариев.

Сообщения об исключении
Cannot process column of current type. The type is not supported by the module (Не удается обработать столбец текущего типа. Тип не поддерживается модулем).
Не удается обработать столбец типа {0}. The type is not supported by the module.
Не удается обработать столбец "{1}" типа {0}. The type is not supported by the module.
Не удается обработать столбец "{1}" типа {0}. The type is not supported by the module. Parameter name (имя параметра): {2}

Ошибка 0018

Исключение возникает, если входной набор данных не является допустимым.

Разрешение: Эта ошибка в Машинное обучение может отображаться во многих контекстах, поэтому нет единого разрешения. Как правило, эта ошибка означает, что данные, предоставленные в качестве входных данных для модуля, имеют неверное число столбцов или что тип данных не соответствует требованиям модуля. Пример:

  • Для модуля требуется столбец метки, но ни один столбец не помечен как столбец меток или вы пока не выбрали столбец метки.

  • Для модуля требуется, чтобы данные были упорядочены, а они представлены в числовом формате.

  • Для модуля требуется определенный тип данных. Например, оценки, предоставляемые для рекомендаций train Matchbox, могут быть числовыми или категориальными, но не могут быть числами с плавающей запятой.

  • Данные имеют неправильный формат.

  • Импортированные данные содержат недопустимые символы, неверные значения или значения, которые выходят за пределы диапазона.

  • Столбец пуст или содержит слишком много отсутствующих значений.

Чтобы определить требования и способ работы с данными, изучите раздел справки модуля, который будет использовать набор данных в качестве входных данных.

Мы также рекомендуем использовать сводные данные или простую статистику вычислений для профилирования данных, а также использовать эти модули для исправления метаданных и очистки значений: изменение метаданных, очистка отсутствующих данных, значений клипов.

Сообщения об исключении
Dataset is not valid (Недопустимый набор данных).
{0} содержит недопустимые данные.
{0} и {1} должен быть последовательным столбцом мудрым.

Ошибка 0019

Исключение возникает, если столбец должен содержать отсортированные значения, но это не так.

Эта ошибка появится в Машинное обучение если указанные значения столбцов не упорядочены.

Решение. Отсортируйте значения столбцов путем изменения входного набора данных вручную и повторно запустите модуль.

Сообщения об исключении
Values in column are not sorted (Значения в столбце не сортированы).
Значения в столбце "{0}" не сортируются.
Значения в столбце "{0}" набора данных "{1}" не сортируются.

Ошибка 0020

Исключение возникает, если количество столбцов в некоторых наборах данных, переданных модулю, слишком мало.

Эта ошибка появится в Машинное обучение если для модуля выбрано недостаточно столбцов.

Решение. Повторно откройте модуль и убедитесь, что в селекторе столбцов выбрано правильное число столбцов.

Сообщения об исключении
Number of columns in input dataset is less than allowed minimum (Число столбцов во входном наборе данных меньше допустимого минимального значения).
Число столбцов во входном наборе данных меньше допустимого минимума {0} столбцов.
Число столбцов во входном наборе данных "{0}" меньше допустимого минимума {1} столбцов.

Ошибка 0021

Исключение возникает, если количество строк в некоторых наборах данных, переданных модулю, слишком мало.

Эта ошибка возникает в Машинное обучение, если в наборе данных недостаточно строк для выполнения указанной операции. Например, эта ошибка может возникать, если входной набор данных пуст или вы пытаетесь выполнить операцию, требующую минимального количества допустимых строк. Такие операции могут включать в себя (помимо прочего) группировку или классификацию на основе статистических методов, несколько типов квантования и обучение с учетом количества.

Решение.

  • Откройте модуль, который возвратил ошибку, и проверьте входной набор данных и свойства модуля.
  • Убедитесь, что входной набор данных не пуст и имеется достаточное количество строк данных для соответствия требованиям, описанным в разделе справки по модулям.
  • Если данные загружаются из внешнего источника, убедитесь, что источник данных доступен и в определении данных нет ошибок или изменений, которые приведут к тому, что в процессе импорта будет меньше строк.
  • При выполнении операций с данными (размещенными выше модуля, который может повлиять на тип данных или на количество значений), таких как очистка, разделение или операции объединения, проверьте выходные данные этих операций, чтобы определить количество возвращаемых строк.

Ошибка 0022

Исключение возникает, если количество выбранных столбцов в наборе входных данных не равно ожидаемому числу.

Эта ошибка в Машинное обучение может возникать, если нижестоящий модуль или операция требуют определенного количества столбцов или входных данных, а также вы предоставили слишком мало или слишком много столбцов или входных данных. Пример:

  • Вы указываете один столбец меток или ключевой столбец и случайно выбрали несколько столбцов.

  • Вы переименовываете столбцы, но указываете больше или меньше имен, чем количество столбцов.

  • Число столбцов в источнике или назначении изменилось или не соответствует числу столбцов, используемых модулем.

  • Вы указали список значений с разделителями-запятыми для входных данных, но число значений не совпадает или несколько входных данных не поддерживаются.

Решение. Повторно откройте модуль и проверьте выбор столбца, чтобы убедиться, что выбрано правильное число столбцов. Проверьте выходные данные вышестоящих модулей и требования нисходящих операций.

Если вы использовали один из вариантов выбора столбцов, с помощью которого можно выбрать несколько столбцов (индексы столбцов, все объекты, все числовые значения и т. д.), проверьте точное количество столбцов, возвращаемых выделением.

Если вы пытаетесь указать разделенный запятыми список наборов данных в качестве входных данных для распаковки zippped Datasets, распакуйте только один набор данных за раз. Несколько входных данных не поддерживаются.

Убедитесь, что число или тип вышестоящих столбцов не изменились.

Если для обучения модели используется набор данных рекомендаций, помните, что для рекомендуемого параметра предполагается наличие ограниченного числа столбцов, соответствующих парам "пользователь-элемент" или "пользователь-элемент-ранжирование". Удалите дополнительные столбцы перед обучением модели или разбиением наборов данных рекомендаций. Дополнительные сведения см. в статье Модуль Split Data.

Сообщения об исключении
Number of selected columns in input dataset does not equal to the expected number (Число выбранных столбцов во входном наборе данных не соответствует ожидаемому числу).
Число выбранных столбцов во входном наборе данных не равно {0}.
Шаблон выбора столбцов "{0}" предоставляет количество выбранных столбцов во входном наборе данных, не равное {1}.
Ожидается, что шаблон выбора столбцов будет{0} предоставлять {1} столбцы, выбранные во входном наборе данных, но {2} столбцы предоставляются или предоставляются.

Ошибка 0023

Исключение возникает, если целевой столбец входного набора данных не является допустимым для текущего учебного модуля.

Эта ошибка в Машинное обучение возникает, если целевой столбец (выбранный в параметрах модуля) не является допустимым типом данных, содержит все отсутствующие значения или не был категориальным, как ожидалось.

Решение. Повторно откройте входные данные модуля, чтобы проверить содержимое столбца меток или целевого столбца. Убедитесь, что в нем нет отсутствующих значений. Если модуль ожидает, что целевой столбец будет категориальным, убедитесь, что в целевом столбце имеется несколько различных значений.

Сообщения об исключении
Input dataset has unsupported target column (Входной набор данных содержит неподдерживаемый целевой столбец).
Входной набор данных имеет неподдерживаемый целевой столбец "{0}".
Входной набор данных содержит неподдерживаемый целевой столбец "{0}" для обучающегося типа {1}.

Ошибка 0024

Исключение возникает, если набор данных не содержит столбец метки.

Эта ошибка в Машинное обучение возникает, если для модуля требуется столбец метки, а набор данных не содержит столбец меток. Например, для вычисления оцененного набора данных обычно требуется наличие столбца меток, чтобы вычислить метрики точности.

Также может произойти, что столбец метки присутствует в наборе данных, но не обнаружен правильно Машинное обучение.

Решение.

  • Откройте модуль, создавший ошибку, и определите, присутствует ли столбец меток. Имя или тип данных столбца не имеет значения, если столбец содержит один результат (или зависимую переменную), который вы пытаетесь спрогнозировать. Если вы не знаете, какой столбец содержит метку, найдите универсальное имя, например класс или целевой объект.
  • Если набор данных не содержит столбец меток, то возможно, что столбец был явно или случайно удален из вышестоящего модуля. Также может быть, что набор данных не является выходным для вышестоящего модуля оценки.
  • Чтобы явно пометить столбец как столбец меток, добавьте модуль изменения метаданных и подключите набор данных. Выберите только столбец меток и щелкните Label (Метка) в раскрывающемся списке Fields (Поля).
  • Если в качестве метки выбран неправильный столбец, можно выбрать Clear label (Удалить метку) в раскрывающемся списке Fields (Поля), чтобы исправить метаданные в столбце.
Сообщения об исключении
There is no label column in dataset (В наборе данных отсутствует столбец меток).
Столбец меток в "{0}" отсутствует.

Ошибка 0025

Исключение возникает, если набор данных не содержит столбец оценки.

Эта ошибка в Машинное обучение возникает, если входные данные для модели оценки не содержат допустимых столбцов оценки. Например, пользователь пытается оценить набор данных до того, как он был оценен с помощью правильной обученной модели, или столбец для оценки был явно удален из вышестоящего модуля. Это исключение также возникает, если столбцы оценки в двух наборах данных несовместимы. Например, можно попытаться сравнить точность линейной регрессии с точностью двоичного классификатора.

Решение. Пересмотрите входные данные в модели оценки и проверьте, содержит ли она один или несколько столбцов оценки. Если нет, то набор данных не был оценен или столбцы оценки были удалены в вышестоящем модуле.

Сообщения об исключении
There is no score column in dataset (В наборе данных отсутствует столбец оценки).
В столбце ""{0}нет столбца оценки".
В столбце "{0}" нет столбца оценки, создаваемого "{1}". Score the dataset using the correct type of learner. (В {dataset_name} отсутствует столбец оценки, созданный {learner_type}. Оценка набора данных будет осуществляться с использованием ученика правильного типа).

Ошибка 0026

Исключение возникает, если не допускается использование столбцов с одинаковыми именами.

Эта ошибка в Машинное обучение возникает, если несколько столбцов имеют одинаковое имя. Один из вариантов возникновения этой ошибки — если в наборе данных отсутствует имя строки заголовка, а имена столбцов автоматически назначаются: Col0, Col1 и т. д.

Решение. Если столбцы имеют одинаковое имя, вставьте модуль изменения метаданных между входным набором данных и модулем. Используйте селектор столбцов в модуле изменения метаданных, чтобы выбрать столбцы для переименования, и введите новые имена в текстовом поле New column names (Новые имена столбцов).

Сообщения об исключении
Equal column names are specified in arguments. Equal column names are not allowed by module (В аргументах указаны одинаковые имена столбцов. В модуле не допускаются одинаковые имена столбцов).
Равные имена столбцов в аргументах "{0}" и "{1}" не допускаются. Укажите разные имена.

Ошибка 0027

Исключение возникает в случае, если два объекта должны иметь одинаковый размер, но на самом деле это не так.

Это распространенная ошибка в Машинное обучение и может быть вызвана многими условиями.

Решение. Для данной проблемы специального решения не существует. Однако можно проверить наличие таких условий:

  • При переименовании столбцов убедитесь, что каждый список (входные столбцы и список новых имен) имеет одинаковое число элементов.

  • При соединении или объединении двух наборов данных убедитесь, что они имеют одну и ту же схему.

  • При соединении двух наборов данных с несколькими столбцами убедитесь, что ключевые столбцы имеют одинаковый тип и выберите параметр Разрешить дубликаты и сохранять порядок столбцов в выделенном фрагменте.

Сообщения об исключении
The size of passed objects is inconsistent (Размер переданных объектов не согласован).
Размер "{0}" не согласуется с размером "{1}".

Ошибка 0028

Исключение возникает в случае, если набор столбцов содержит повторяющиеся имена столбцов, что недопустимо.

Эта ошибка в Машинное обучение возникает, когда имена столбцов дублируются, то есть не являются уникальными.

Решение. Если столбцы имеют одинаковые имена, добавьте экземпляр модуля изменения метаданных между входным набором данных и модулем, вызвавшим ошибку. Используйте селектор столбцов в модуле изменения метаданных, чтобы выбрать столбцы для переименования, и введите имена новых столбцов в текстовом поле New column names (Новые имена столбцов). При переименовании нескольких столбцов убедитесь, что значения, введенные в поле Новые имена столбцов (Новые имена столбцов), являются уникальными.

Сообщения об исключении
Column set contains duplicated column name(s) (Набор столбцов содержит столбцы с повторяющимися именами).
Имя "{0}" дублируется.
Имя "{0}" дублируется в "{1}".

Ошибка 0029

Исключение возникает в случае передачи недопустимого универсального кода ресурса (URI).

Эта ошибка в Машинное обучение возникает в случае, если передается недопустимый URI. Эта ошибка возникает, если какое-либо из следующих условий имеет значение true:, или.

  • Общедоступный URI или URI SAS, предоставленный для хранилища BLOB-объектов Azure для чтения или записи, содержит ошибку.

  • Срок действия временного интервала для SAS истек.

  • URL-адрес с использованием протокола HTTP представляет файл или URI с замыканием на себя.

  • URL-адрес с использованием протокола HTTP содержит неверно отформатированный URL-адрес.

  • URL-адрес не может быть разрешен удаленным источником.

Решение. Повторно откройте модуль и проверьте формат универсального кода ресурса (URI). Если источником данных является URL-адрес с использованием протокола HTTP, убедитесь, что предполагаемый источник не является файлом или URI с замыканием на себя (localhost).

Сообщения об исключении
Invalid URI is passed (Передан недопустимый URI).

Ошибка 0030

Исключение возникает, если не удается загрузить файл.

Это исключение в Машинное обучение возникает, если невозможно скачать файл. Это исключение будет получено, если попытка чтения из источника HTTP завершилась сбоем после трех (3) повторных попыток.

Решение. Убедитесь, что URI-адрес источника HTTP указан правильно и что сайт в данный момент доступен в сети Интернет.

Сообщения об исключении
Unable to download a file (Не удалось скачать файл).
Ошибка при скачивании файла: {0}.

Ошибка 0031

Исключение возникает, если количество столбцов в наборе столбцов меньше необходимого.

Эта ошибка в Машинное обучение возникает, если количество выбранных столбцов меньше, чем требуется. Эта ошибка возникает, если не выбрано минимальное требуемое число столбцов.

Решение. Добавьте дополнительные столбцы к выбранному столбцу с помощью селектора столбцов.

Сообщения об исключении
Number of columns in column set is less than required (Количество столбцов в наборе столбцов меньше необходимого).
{0} Необходимо указать столбцы. Фактическое число указанных столбцов: {1}.

Ошибка 0032

Исключение возникает, если аргумент не является числом.

Эта ошибка появится в Машинное обучение, если аргумент является двойным или naN.

Решение. Измените указанный аргумент, чтобы использовать допустимое значение.

Сообщения об исключении
Argument is not a number (Аргумент не является числом).
"{0}" не является числом.

Ошибка 0033

Исключение возникает, если аргумент — бесконечность.

Эта ошибка в Машинное обучение возникает, если аргумент является бесконечным. Эта ошибка возникает, если аргумент имеет значение double.NegativeInfinity или double.PositiveInfinity.

Решение. Измените указанный аргумент, чтобы использовать допустимое значение.

Сообщения об исключении
Аргумент должен быть конечным.
"{0}" не является конечным.

Ошибка 0034

Исключение возникает, если для данной пары "пользователь-элемент" существует более одной оценки.

Эта ошибка в Машинное обучение возникает в рекомендации, если пара элементов пользователя имеет несколько значений оценки.

Решение. Убедитесь, что в паре "пользователь-элемент" имеется только одно значение оценки.

Сообщения об исключении
More than one rating exists for the value(s) in dataset (В наборе данных существует несколько оценок для значений).
Несколько оценок для пользователей {0} и элементов {1} в таблице прогнозирующих данных оценки.

Ошибка 0035

Исключение возникает, если для данного пользователя или элемента не были предоставлены какие-либо признаки.

Эта ошибка в Машинное обучение возникает при попытке использовать модель рекомендаций для оценки, но не удается найти вектор признаков.

Решение.

В модели рекомендаций Matchbox требуется соблюдать определенные требования, которые должны быть выполнены при использовании признаков элементов или признаков пользователя. Эта ошибка означает, что для пользователя или элемента, указанного в качестве входных данных, отсутствует вектор признаков. Необходимо убедиться, что вектор признаков доступен в данных для каждого пользователя или элемента.

Например, если вы обучили модель рекомендаций с помощью таких признаков, как возраст пользователя, местоположение или доход, но теперь хотите создать оценки для новых пользователей, которые не были оценены во время обучения, необходимо предоставить для новых пользователей какой-либо эквивалентный набор признаков (а именно, возраст, расположение и доходы), чтобы создать соответствующие прогнозы.

Если у вас нет признаков для этих пользователей, сконструируйте соответствующие признаки. Например, если отсутствуют индивидуальные значения возраста или дохода пользователя, можно создать приблизительные значения, которые будут использоваться для группы пользователей.

При оценке в режиме рекомендаций можно использовать элементы или пользовательские функции только в том случае, если вы ранее использовали элементы или пользовательские функции во время обучения. Дополнительные сведения см. в разделе Score Matchbox Recommender.

Общие сведения о том, как работает алгоритм рекомендаций Matchbox и как подготовить набор данных функций элементов или пользовательских функций, см. в разделе Train Matchbox Recommender.

Совет

Решение неприменимо к вашему случаю? Вы можете отправить отзыв об этой статье и предоставить сведения о сценарии, включая модуль и число строк в столбце. Эти сведения будут использоваться для предоставления более подробных инструкций по устранению неполадок в будущем.

Сообщения об исключении
No features were provided for a required user or item (Признаки не предоставлены для пользователя или элемента).
Функции для обязательных {0} , но не предоставленных.

Ошибка 0036

Исключение возникает, если для данного пользователя или элемента было предоставлено несколько векторов признаков.

Эта ошибка в Машинное обучение возникает, если вектор признаков определен несколько раз.

Решение. Убедитесь, что вектор признаков не указан несколько раз.

Сообщения об исключении
Duplicate feature definition for a user or item (Повторяющееся определение признака для пользователя или элемента).
Повторяющееся определение компонента для {0}.

Ошибка 0037

Исключение возникает, если указано несколько столбцов метки, а допускается только один.

Эта ошибка в Машинное обучение возникает, если выбрано несколько столбцов для нового столбца меток. Для большинства управляемых алгоритмов обучения необходимо, чтобы один столбец был помечен как целевой столбец или столбец меток.

Решение. Выберите один столбец в качестве нового столбца меток.

Сообщения об исключении
Multiple label columns are specified (Указано несколько столбцов меток).

Ошибка 0038

Исключение возникает, если количество ожидаемых элементов не равно требуемому.

Эта ошибка в Машинное обучение возникает, если ожидаемое количество элементов должно быть точным значением, но не является. Эта ошибка возникает, если количество элементов не равно допустимому ожидаемому значению.

Разрешение: Измените входные данные, чтобы иметь правильное количество элементов.

Сообщения об исключении
Недопустимое количество элементов.
Недопустимое число элементов в "{0}".
Число элементов в "{0}" не равно допустимому {1} числу элементов.

Ошибка 0039

Исключение возникает, если не удалось выполнить операцию.

Эта ошибка в Машинное обучение возникает, когда не удается завершить внутреннюю операцию.

Решение. Эта ошибка вызвана множеством условий, и не существует конкретного решения.
В следующей таблице содержатся общие сообщения об этой ошибке, за которыми следует определенное описание условия.

Если нет сведений, отправьте отзыв и предоставьте сведения о модулях, которые вызвали ошибку и связанные условия.

Сообщения об исключении
Ошибка при выполнении операции.
Ошибка при завершении операции: {0}.

Ошибка 0040

Исключение возникает при вызове неиспользуемого модуля.

Эта ошибка в Машинное обучение возникает при вызове нерекомендуемого модуля.

Разрешение: Замените устаревший модуль поддерживаемым. Сведения о том, какой модуль следует использовать, см. в журнале выходных данных модуля.

Сообщения об исключении
Доступ к устаревшему модулю.
Модуль "{0}" не рекомендуется. Вместо этого используйте модуль "{1}".

Ошибка 0041

Исключение возникает при вызове неиспользуемого модуля.

Эта ошибка в Машинное обучение возникает при вызове нерекомендуемого модуля.

Разрешение: Замените устаревший модуль набором поддерживаемых. Эти сведения должны отображаться в журнале выходных данных модуля.

Сообщения об исключении
Доступ к устаревшему модулю.
Модуль "{0}" не рекомендуется. Используйте модули "{1}" для запрошенных функциональных возможностей.

Ошибка 0042

Исключение возникает, если невозможно преобразовать столбец в другой тип.

Эта ошибка в Машинное обучение возникает, если невозможно преобразовать столбец в указанный тип. Эта ошибка возникает, если модулю требуется определенный тип данных, например DateTime, текст, число с плавающей запятой или целое число, но невозможно преобразовать существующий столбец в требуемый тип.

Например, можно выбрать столбец и попытаться преобразовать его в числовой тип данных для использования в математической операции и получить эту ошибку, если столбец содержал недопустимые данные.

Другая причина может возникать при попытке использовать столбец, содержащий числа с плавающей запятой или множество уникальных значений в качестве столбца категорий.

Решение.

  • Откройте страницу справки для модуля, создавшего ошибку, и проверьте требования к типу данных.
  • Проверьте типы данных столбцов во входном наборе данных.
  • Проверьте данные, исходящие из так называемых источников данных без схем.
  • Проверьте набор данных на наличие отсутствующих значений или специальных символов, которые могут блокировать преобразование в нужный тип данных.
    • Числовые типы данных должны быть одинаковыми: например, проверьте наличие чисел с плавающей запятой в столбце целых чисел.
    • Поищите текстовые строки или значения Н/Д в столбце чисел.
    • Логические значения можно преобразовать в соответствующее представление в зависимости от требуемого типа данных.
    • Проверьте текстовые столбцы на наличие символов в кодировке, отличной от Юникода, знаков табуляции или управляющих символов.
    • Данные типа Datetime должны быть согласованными, чтобы избежать ошибок моделирования, но очистка может быть сложной из-за множества форматов. Для выполнения очистки рассмотрите возможность использования скрипта R или модуля « Выполнение скрипта Python ».
  • При необходимости измените значения во входном наборе данных, чтобы столбец мог быть успешно преобразован. Изменения могут включать в себя операции группирования, усечения или округления, исключения выбросов или добавления отсутствующих значений. Сведения о некоторых распространенных сценариях преобразования данных в машинном обучении см. в следующих статьях:

Совет

Решение не понятно или неприменимо к вашему случаю? Вы можете отправить отзыв об этой статье и предоставить сведения о сценарии, включая модуль и тип данных в столбце. Эти сведения будут использоваться для предоставления более подробных инструкций по устранению неполадок в будущем.

Сообщения об исключении
Not allowed conversion (Преобразование не допускается).
Не удалось преобразовать столбец типа {0} в столбец типа {1}.
Не удалось преобразовать столбец "{2}" типа {0} в столбец типа {1}.
Не удалось преобразовать столбец "{2}" типа {0} в столбец "{3}" типа {1}.

Ошибка 0043

Исключение возникает, если тип элемента реализует эквивалентность неявным образом.

Эта ошибка в Машинное обучение не используется и будет нерекомендуемой.

Решение. Нет.

Сообщения об исключении
Не удалось найти доступный явный метод Equals.
Не удается сравнить значения для столбца \"{0}\" типа {1}. Не удалось найти доступный явный метод Equals.

Ошибка 0044

Исключение возникает, если невозможно получить тип элемента столбца из существующих значений.

Эта ошибка в Машинное обучение возникает, если невозможно определить тип столбца или столбца в наборе данных. Обычно это происходит при объединении двух или более наборов данных с разными типами элементов. Если Машинное обучение не может определить общий тип, который может представлять все значения в столбце или столбцах без потери информации, это приведет к возникновению этой ошибки.

Решение. Убедитесь, что все значения в данном столбце в обоих объединяемых наборах данных имеют один и тот же тип (числовой, логический, категориальный, строковый, дата и т. д.) или может быть приведен к тому же типу.

Сообщения об исключении
Cannot derive element type of the column (Не удается создать производный тип элемента столбца).
Не удается наследовать тип элемента для столбца "{0}" - все элементы являются пустыми ссылками.
Не удается наследовать тип элемента для столбца "{0}" набора данных "{1}" — все элементы являются пустыми ссылками.

Ошибка 0045

Исключение возникает, если невозможно создать столбец из-за смешанных типов элементов в источнике.

Эта ошибка в Машинное обучение возникает, когда объединенные типы элементов двух наборов данных отличаются.

Решение. Убедитесь, что все значения в данном столбце в обоих объединяемых наборах данных имеют один и тот же тип (числовой, логический, категориальный, строковый, дата и т. д.).

Сообщения об исключении
Cannot create column with mixed element types (Не удается создать столбец со смешанными типами элементов).
Не удается создать столбец с идентификатором "{0}" смешанных типов элементов:\n\tType данных[{1}, {0}] имеет значение {2}\n\tType данных[{3}, {0}] .{4}

Ошибка 0046

Исключение возникает, если невозможно создать каталог по указанному пути.

Эта ошибка в Машинное обучение возникает, если невозможно создать каталог по указанному пути. Эта ошибка возникает, если какая-либо часть пути к выходному каталогу для запроса Hive неверна или недоступна.

Решение. Повторно откройте модуль и убедитесь, что путь к каталогу правильно отформатирован и доступен с использованием текущих учетных данных.

Сообщения об исключении
Укажите допустимый выходной каталог.
Каталог: {0} не удается создать. Укажите допустимый путь.

Ошибка 0047

Исключение возникает, если количество столбцов признаков в некоторых наборах данных, переданных модулю, слишком мало.

Эта ошибка в Машинное обучение возникает, если входной набор данных для обучения не содержит минимальное количество столбцов, необходимых алгоритму. Обычно либо набор данных пуст, либо содержит только столбцы для обучения.

Разрешение: Вернитесь к входной набору данных, чтобы убедиться в наличии одного или нескольких дополнительных столбцов, кроме столбца метки.

Сообщения об исключении
Number of feature columns in input dataset is less than allowed minimum (Число столбцов признаков во входном наборе данных меньше допустимого минимального значения).
Число столбцов признаков во входном наборе данных меньше допустимого минимума {0} столбцов.
Число столбцов признаков во входном наборе данных "{0}" меньше допустимого минимума {1} столбцов.

Ошибка 0048

Исключение возникает в случае, если не удается открыть файл.

Эта ошибка в Машинное обучение возникает, если невозможно открыть файл для чтения или записи. Эта ошибка может возникнуть по следующим причинам:

  • Контейнер или файл (большой двоичный объект) не существует.

  • Уровень доступа к файлу или контейнеру не позволяет получить доступ к файлу.

  • Файл слишком велик для чтения или имеет неправильный формат.

Решение. Повторно откройте модуль и файл, который вы пытаетесь прочитать.

Проверьте правильность имен контейнера и файла.

Используйте классический портал Azure или средство хранилища Azure, чтобы убедиться, что у вас есть разрешение на доступ к файлу.

Если вы пытаетесь прочитать файл изображения, убедитесь, что он соответствует требованиям к файлам изображений с точки зрения размера, количества пикселей и т. д. Дополнительные сведения см. в разделе "Импорт изображений".

Сообщения об исключении
Unable to open a file (Не удалось открыть файл).
Ошибка при открытии файла: {0}.

Ошибка 0049

Исключение возникает в случае, если не удается выполнить анализ файла.

Эта ошибка в Машинное обучение возникает, если невозможно проанализировать файл. Эта ошибка возникает, если формат файла, выбранный в модуле импорта данных, не соответствует реальному формату файла или если файл содержит нераспознаваемый символ.

Решение. Повторно откройте модуль и исправьте выбор формата файла, если он не соответствует формату файла. При возможности проверьте файл, чтобы убедиться, что он не содержит недопустимых символов.

Сообщения об исключении
Unable to parse a file (Не удалось выполнить анализ файла).
Ошибка при синтаксическом анализе файла: {0}.

Ошибка 0050

Исключение возникает в случае, если входные и выходные файлы совпадают.

Разрешение: Эта ошибка в Машинное обучение не используется и будет нерекомендуемой.

Сообщения об исключении
Указанные файлы для ввода и вывода не могут совпадать.

Ошибка 0051

Исключение возникает в случае, если несколько выходных файлов совпадают.

Разрешение: Эта ошибка в Машинное обучение не используется и будет нерекомендуемой.

Сообщения об исключении
Указанные файлы для вывода не могут совпадать.

Ошибка 0052

Исключение возникает, если ключ учетной записи хранилища Azure указан неправильно.

Эта ошибка в Машинное обучение возникает, если ключ, используемый для доступа к учетной записи хранения Azure, неправильный. Например, эта ошибка может возникать, если ключ хранилища Azure был усечен при копировании и вставке, а также при использовании неправильного ключа.

Дополнительные сведения о том, как получить ключ для учетной записи хранения Azure, см. в статье Создание учетной записи хранения Azure.

Решение. Повторно откройте модуль и убедитесь, что ключ к хранилищу Azure указан правильно для учетной записи. При необходимости скопируйте ключ на классическом портале Azure.

Сообщения об исключении
The Azure storage account key is incorrect (Неверный ключ учетной записи хранилища Azure).

Ошибка 0053

Исключение возникает, если отсутствуют признаки пользователей или элементы для рекомендаций подсистемы Matchbox.

Эта ошибка в Машинное обучение возникает, когда не удается найти вектор признаков.

Решение. Убедитесь, что во входном наборе данных содержится вектор признаков.

Сообщения об исключении
User features or/and items are required but not provided (Не предоставлены обязательные признаки пользователя или элементы).

Ошибка 0054

Исключение возникает, если количество уникальных значений в столбце, необходимых для завершения операции, слишком мало.

Разрешение: Эта ошибка в Машинное обучение не используется и будет нерекомендуемой.

Сообщения об исключении
Данные в указанном столбце содержат слишком мало индивидуальных значений для завершения операции.
Данные в указанном столбце содержат слишком мало индивидуальных значений для завершения операции. Обязательный минимум — это {0} элементы.
Данные в столбце "{1}" содержат слишком мало индивидуальных значений для завершения операции. Обязательный минимум — это {0} элементы.

Ошибка 0055

Исключение возникает при вызове неиспользуемого модуля.

Эта ошибка в Машинное обучение появляется при попытке вызвать модуль, который устарел.

Решение.

Сообщения об исключении
Доступ к устаревшему модулю.
Модуль "{0}" не рекомендуется.

Ошибка 0056

Исключение возникает, если выбранные для операции столбцы нарушают требования.

Эта ошибка в Машинное обучение возникает при выборе столбцов для операции, требующей, чтобы столбец был определенного типа данных.

Эта ошибка также может возникать, если столбец имеет правильный тип данных, но для модуля, который вы используете, требуется, чтобы столбец был также помечен как признак, метка или столбец категорий.

Например, модуль преобразования в значения индикаторов требует, чтобы столбцы были категориальными, и при выборе столбца компонента или столбца меток эта ошибка возникает.

Решение.

  1. Проверьте тип данных столбцов, которые выбраны в данный момент.

  2. Проверьте, являются ли выбранные столбцы столбцами категорий, меток или признаков.

  3. Изучите раздел справки для модуля, в котором сделан выбор столбцов, чтобы определить, существуют ли особые требования для использования типа данных или столбца.

  4. Используйте модуль изменения метаданных, чтобы изменить тип столбца на время выполнения операции. Не забудьте изменить тип столбца обратно на его исходное значение, используя другой экземпляр модуля изменения метаданных, если он необходим для выполнения последующих операций.

Сообщения об исключении
One or more selected columns were not in an allowed category (Один или несколько выделенных столбцов принадлежали неразрешенной категории).
Столбец с именем "{0}" не находится в разрешенной категории.

Ошибка 0057

Исключение возникает при попытке создать уже существующий файл или большой двоичный объект.

Это исключение возникает при использовании модуля экспорта данных или другого модуля для сохранения результатов эксперимента в Машинное обучение в хранилище BLOB-объектов Azure, но вы пытаетесь создать файл или большой двоичный объект, который уже существует.

Решение.

Эта ошибка возникает только в том случае, если ранее для параметра Azure blob storage write mode (Режим записи BLOB-объектов Azure) было задано значение Error (Ошибка). Этот модуль выдает ошибку при попытке записать набор данных в уже существующий большой двоичный объект.

  • Откройте свойства модуля и измените свойство Azure blob storage write mode (Режим записи BLOB-объектов Azure) на Overwrite (Перезаписать).
  • Кроме того, можно ввести имя другого целевого большого двоичного объекта или файла и указать большой двоичный объект, который еще не существует.
Сообщения об исключении
File or Blob already exists (Файл или большой двоичный объект уже существует).
Файл или BLOB-объект{0} уже существует.

Ошибка 0058

Эта ошибка в Машинное обучение возникает, если набор данных не содержит ожидаемый столбец меток.

Это исключение также может возникать, если указанный столбец меток не соответствует данным или типам данных, ожидаемым учеником, или имеет неверные значения. Например, это исключение создается, если при обучении двоичного классификатора используется столбец меток с реальным значением.

Разрешение: Разрешение зависит от используемого вами обучающего или обучающего средства, а также от типов данных столбцов в наборе данных. Сначала проверьте требования к алгоритму машинного обучения или модулю обучения.

Повторно откройте набор входных данных. Убедитесь, что столбец, который должен обрабатываться как метка, имеет правильный тип данных для создаваемой модели.

Проверьте отсутствующие значения во входных данных и исключите или замените их при необходимости.

При необходимости добавьте модуль изменения метаданных и убедитесь, что столбец метки помечен как метка.

Сообщения об исключении
Столбец меток отличается от ожидаемого
Столбец метки не соответствует ожидаемому значению "{0}".
Столбец метки "{0}" не ожидается в "{1}".

Ошибка 0059

Исключение возникает, если не удается проанализировать индекс столбца, указанный в средстве выбора столбцов.

Эта ошибка в Машинное обучение возникает, если индекс столбца, указанный при использовании селектора столбцов, не может быть проанализирован. Эта ошибка возникает, если индекс столбца имеет недопустимый формат, который не удается проанализировать.

Решение. Измените индекс столбца, чтобы использовать допустимое значение индекса.

Сообщения об исключении
One or more specified column indexes or index ranges could not be parsed (Не удалось проанализировать один или несколько индексов столбца или диапазонов индекса).
Не удалось проанализировать индекс или диапазон{0} столбцов.

Ошибка 0060

Исключение возникает, если в средстве выбора столбцов указан ряд столбцов вне диапазона.

Эта ошибка в Машинное обучение возникает, когда диапазон столбцов вне диапазона указан в селекторе столбцов. Эта ошибка возникает, если диапазон столбцов в селекторе столбцов не соответствует столбцам в наборе данных.

Решение. Измените диапазон столбцов в средстве выбора столбцов в соответствии со столбцами в наборе данных.

Сообщения об исключении
Invalid or out of range column index range specified (Указан недопустимый индекс столбца или индекс выходит за диапазон).
Диапазон столбцов "{0}" является недопустимым или вне диапазона.

Ошибка 0061

Исключение возникает при попытке добавить строку в объект DataTable, количество столбцов в котором отличается от количества столбцов в таблице.

Эта ошибка в Машинное обучение возникает при попытке добавить строку в набор данных, имеющий другое количество столбцов, чем набор данных. Эта ошибка возникает, если строка, добавляемая в набор данных, имеет другое количество столбцов, чем входной набор данных. Строку нельзя добавить к набору данных, если число столбцов отличается.

Решение. Измените входной набор данных так, чтобы количество столбцов было таким же, как и в добавленной строке, или измените добавленную строку, чтобы она содержала то же количество столбцов, что и набор данных.

Сообщения об исключении
All tables must have the same number of columns (Количество столбцов во всех таблицах должно быть одинаковым).

Ошибка 0062

Исключение возникает при попытке сравнить две модели с различными типами учеников.

Эта ошибка в Машинное обучение возникает, когда не удается сравнить метрики оценки для двух разных оцененных наборов данных. В этом случае невозможно сравнить эффективность моделей, используемых для создания двух оценочных наборов данных.

Решение. Убедитесь, что результаты оценки создаются тем же типом модели машинного обучения (двоичная классификация, регрессия, многоклассовая классификация, рекомендация, кластеризация, обнаружение аномалий и т. д.). Все сопоставляемые модели должны использовать один тип ученика.

Сообщения об исключении
All models must have the same learner type (Все модели должны использовать один тип ученика).

Ошибка 0063

Это исключение возникает при сбое оценки скрипта R с ошибкой.

Эта ошибка возникает, если вы предоставили скрипт R в одном из языковых модулей R в Машинное обучение, а код R содержит внутренние синтаксические ошибки. Исключение также может возникать, если в скриптЕ R указаны неправильные входные данные.

Ошибка также может возникнуть, если скрипт слишком велик для выполнения в рабочей области. Максимальный размер скрипта для модуля «Выполнение скрипта R » составляет 1000 строк или 32 КБ рабочего пространства, в зависимости от того, что меньше.

Решение.

  1. В Машинное обучение Studio (классическая модель) щелкните правой кнопкой мыши модуль с ошибкой и выберите "Просмотреть журнал".
  2. Изучите стандартный журнал ошибок модуля, который содержит трассировку стека.
    • Строки, начинающиеся с [ModuleOutput], указывают выходные данные R.
    • Сообщения из R, помеченные как предупреждения , обычно не приводят к сбою эксперимента.
  3. Устраните проблемы со скриптом.
    • Проверьте наличие ошибок синтаксиса R. Проверьте наличие определенных переменных, но не заполненных.
    • Просмотрите входные данные и скрипт, чтобы определить, используют ли данные или переменные в скрипте символы, не поддерживаемые Машинное обучение.
    • Проверьте, установлены ли все зависимости пакетов.
    • Проверьте, загружает ли код необходимые библиотеки, которые не загружаются по умолчанию.
    • Проверьте, являются ли необходимые пакеты правильной версией.
    • Убедитесь, что любой набор данных, который требуется вывести, преобразуется в кадр данных.
  4. Повторно отправьте эксперимент.

Примечание

Эти разделы содержат примеры кода R, которые можно использовать, а также ссылки на эксперименты в коллекции аналитики Кортана, использующую скрипт R.

Сообщения об исключении
Ошибка во время вычисления скрипта R.
При оценке скрипта R произошла следующая ошибка: ---------- начало сообщения об ошибке из R ---------- {0} ----------- сообщение об ошибке из R -----------
Во время оценки скрипта{1} R произошла следующая ошибка: ---------- начало сообщения об ошибке из R ---------- {0} ----------- конце сообщения об ошибке из R -----------

Ошибка 0064

Исключение возникает, если имя учетной записи хранилища Azure или ключ хранилища указаны неправильно.

Эта ошибка в Машинное обучение возникает, если имя учетной записи хранения Azure или ключ хранения указаны неправильно. Эта ошибка возникает при вводе неправильного имени учетной записи или пароля для учетной записи хранения. Это может произойти, если ввести имя или пароль учетной записи вручную. Это также может произойти, если учетная запись была удалена.

Решение. Убедитесь, что имя учетной записи и пароль введены правильно и что контейнер существует.

Сообщения об исключении
The Azure storage account name or storage key is incorrect (Неверное имя учетной записи хранилища или ключа хранилища Azure).
Неверное имя{0} учетной записи хранения Azure или ключ хранения для имени учетной записи.

Ошибка 0065

Исключение возникает, если имя большого двоичного объекта Azure указано неправильно.

Эта ошибка в Машинное обучение возникает, если имя большого двоичного объекта Azure указано неправильно. Вы получите ошибку, если:

  • В указанном контейнере не удается найти большой двоичный объект.

  • Полное имя большого двоичного объекта, указанного для вывода в одном из Обучение с модулями Counts, больше 512 символов.

  • Только контейнер был указан в качестве источника в запросе модуля импорта данных, когда формат был Excel или CSV с кодировкой. Объединение содержимого всех больших двоичных объектов в контейнере не допускается с этими форматами.

  • URI SAS не содержит имя допустимого большого двоичного объекта.

Решение. Повторно откройте модуль, вызывающий исключение. Убедитесь, что указанный большой двоичный объект существует в контейнере в учетной записи хранения и разрешения позволяют его просматривать. Убедитесь, что входные данные имеют форму имя контейнера/имя файла, если у вас есть файл Excel или CSV с форматами кодирования. Убедитесь, что URI SAS содержит имя допустимого большого двоичного объекта.

Сообщения об исключении
Неверный BLOB-объект хранилища Azure.
Неверное имя{0} BLOB-объекта хранилища Azure

Ошибка 0066

Исключение возникает, если не удалось загрузить ресурс в большой двоичный объект Azure.

Эта ошибка в Машинное обучение возникает, если ресурс не удалось отправить в большой двоичный объект Azure. Вы получите это сообщение, если при обучении модели Vowpal Wabbit 7–4 возникает ошибка при попытке сохранить модель или хэш, созданный при обучении модели. Оба сохраняются в той же учетной записи хранения Azure, что и учетная запись, содержащая входной файл.

Решение. Повторно откройте модуль. Убедитесь, что имя учетной записи Azure, ключ хранилища и контейнер указаны правильно, а учетная запись имеет разрешение на запись в контейнер.

Сообщения об исключении
The resource could not be uploaded to Azure storage (Не удалось отправить ресурс в хранилище Azure).
Не удалось отправить файл "{0}" в службу хранилища Azure как {1}.

Ошибка 0067

Исключение возникает, если количество столбцов в наборе данных отличается от ожидаемого.

Эта ошибка в Машинное обучение возникает, если набор данных имеет другое количество столбцов, чем ожидалось. Эта ошибка возникает, когда число столбцов в наборе данных отличается от числа столбцов, которые модуль ожидает во время выполнения.

Решение. Измените входной набор данных или параметры.

Сообщения об исключении
Unexpected number of columns in the datatable (Непредвиденное количество столбцов в объекте datatable).
Ожидаемые "{0}" столбцы, но найденные "{1}" столбцы.

Ошибка 0068

Исключение возникает, если указан неправильный скрипт Hive.

Эта ошибка в Машинное обучение возникает, если в скрипте Hive QL возникают синтаксические ошибки или если интерпретатор Hive обнаруживает ошибку при выполнении запроса или скрипта.

Решение.

Сообщение об ошибке из Hive обычно возвращается в журнал ошибок, так что вы можете принять меры на основе конкретной ошибки.

  • Откройте модуль и проверьте запрос на наличие ошибок.
  • Убедитесь, что запрос работает правильно вне Машинное обучение, войдите в консоль Hive кластера Hadoop и выполните запрос.
  • Попробуйте разместить комментарии в скрипте Hive в отдельной строке, а не смешивать исполняемые инструкции и комментарии в одной строке.

Ресурсы

Дополнительные сведения о запросах Hive для машинного обучения см. в следующих статьях:

Сообщения об исключении
Hive script is incorrect (Неверный скрипт Hive).
Скрипт {0} Hive не является правильным.

Ошибка 0069

Исключение возникает, если указан неправильный скрипт SQL.

Эта ошибка в Машинное обучение возникает, если указанный скрипт SQL имеет проблемы с синтаксисом или если столбцы или таблица, указанные в скрипте, недопустимы.

Эта ошибка возникает, если ядро SQL обнаруживает ошибку при выполнении запроса или скрипта. Сообщение об ошибке из SQL обычно возвращается в журнал ошибок, так что вы можете принять меры на основе конкретной ошибки.

Решение. Повторно откройте модуль и проверьте запрос SQL на наличие ошибок.

Убедитесь, что запрос работает правильно за пределами Машинного обучения Azure, выполнив вход непосредственно на сервер базы данных и выполнив запрос.

Если в исключении модуля сообщается о сформированном сообщении SQL, примите меры на основе сообщенной ошибки. Например, сообщения об ошибках иногда включают в себя определенные рекомендации по наиболее вероятной ошибке:

  • Ошибка No such column or missing database (Нет такого столбца или базы данных) означает, что вы могли указать неправильное имя столбца. Если вы уверены, что имя столбца указано правильно, попробуйте использовать квадратные скобки или кавычки для заключения идентификатора столбца.
  • Ошибка SQL logic error near <SQL keyword> (Ошибка логики SQL рядом с <ключевое_слово_SQL>) означает, перед указанным ключевым словом могла возникнуть синтаксическая ошибка.
Сообщения об исключении
SQL script is incorrect (Неверный скрипт SQL).
SQL запрос "{0}" не является правильным.
SQL запрос "{0}" неправильно:{1}

Ошибка 0070

Исключение возникает при попытке доступа к несуществующей таблице Azure.

Эта ошибка в Машинное обучение возникает при попытке доступа к несуществующей таблице Azure. Эта ошибка возникает, если указать в службе хранилища Azure таблицу, которой не существует, при чтении из хранилища таблиц Azure или записи в него. Это может произойти в случае неправильного ввода имени нужной таблицы или несоответствия между именем целевого объекта и типом хранилища. Например, вы предполагали считывать данные из таблицы, но указали вместо этого имя большого двоичного объекта.

Решение. Повторно откройте модуль, чтобы убедиться в правильности имени таблицы.

Сообщения об исключении
Azure table does not exist (Таблица Azure не существует).
Таблица Azure "{0}" не существует.

Ошибка 0071

Исключение возникает, если указанные учетные данные неверны.

Эта ошибка в Машинное обучение возникает, если предоставленные учетные данные неверны.

Эта ошибка также может возникнуть, если модуль не может подключиться к кластеру HDInsight.

Разрешение: Проверьте входные данные модуля и проверьте имя учетной записи и пароль.

Проверьте наличие следующих проблем, которые могут вызвать ошибку:

  • Схема набора данных не соответствует схеме целевой таблицы данных.

  • Имена столбцов отсутствуют или имеют опечатку

  • Вы записываете данные в таблицу с именами столбцов с недопустимыми символами. Обычно такие имена столбцов можно заключать в квадратные скобки, но если они не работают, измените имена столбцов, чтобы использовать только буквы и символы подчеркивания (_)

  • Строки, которые вы пытаетесь записать, содержат одинарные кавычки

Если вы пытаетесь подключиться к кластеру HDInsight, убедитесь, что целевой кластер доступен с предоставленными учетными данными.

Сообщения об исключении
Переданы неверные учетные данные.
Передано неверное имя пользователя "{0}" или пароль

Ошибка 0072

Исключение возникает в случае истечения времени ожидания соединения.

Эта ошибка в Машинное обучение возникает при истечении времени ожидания подключения. Эта ошибка возникает, если в настоящее время возникают проблемы с подключением к источнику данных или назначению, например с медленным подключением к Интернету, или если набор данных большой и (или) запрос SQL для чтения в данных выполняет сложную обработку.

Решение. Определите, имеются ли в настоящее время проблемы с подключением к службе хранилища Azure или к Интернету.

Сообщения об исключении
Connection timeout occurred (Истекло время ожидания подключения).

Ошибка 0073

Исключение возникает при возникновении ошибки во время преобразования столбца в другой тип.

Эта ошибка в Машинное обучение возникает, если невозможно преобразовать столбец в другой тип. Эта ошибка возникает, если для модуля требуется определенный тип и невозможно преобразовать столбец в новый тип.

Решение. Измените входной набор данных так, чтобы столбец можно было преобразовать на основе внутреннего исключения.

Сообщения об исключении
Failed to convert column (Не удалось преобразовать столбец).
Не удалось преобразовать столбец в {0}.

Ошибка 0074

Исключение возникает, когда изменение метаданных пытается преобразовать разреженный столбец в категориальный.

Эта ошибка в Машинное обучение возникает, когда изменение метаданных пытается преобразовать разреженный столбец в категориальный. Эта ошибка возникает при попытке преобразовать разреженные столбцы в категориальные с помощью параметра Make categorical . Машинное обучение не поддерживает разреженные категориальные массивы, поэтому модуль завершится ошибкой.

Разрешение: Сделайте столбец плотным с помощью преобразования в набор данных или не преобразуйте столбец в категориальный.

Сообщения об исключении
Разреженные столбцы не могут быть преобразованы в категориальные.

Ошибка 0075

Исключение возникает, если при квантовании набора данных используется недопустимая функция классификации.

Эта ошибка в Машинное обучение возникает при попытке запаковать данные с помощью неподдерживаемого метода или при недопустимом сочетании параметров.

Решение.

Обработка ошибок для этого события появилась в более ранней версии Машинное обучение, что позволило больше настраивать методы бинирования. Сейчас все методы квантования основаны на выборе из раскрывающегося списка, поэтому технически в них не должна возникать эта ошибка.

Если при использовании модуля group Data into Bins возникает эта ошибка, рассмотрите возможность сообщить о проблеме на форуме Машинное обучение, указав типы данных, параметры параметров и точное сообщение об ошибке.

Сообщения об исключении
Invalid binning function used (Используется недопустимая функция сегментирования).

Ошибка 0077

Исключение возникает при передаче режима записи неизвестного файла большого двоичного объекта.

Эта ошибка в Машинное обучение возникает, если недопустимый аргумент передается в спецификациях назначения или источника файла BLOB-объекта.

Решение. Почти во всех модулях, которые импортируют или экспортируют данные в хранилище BLOB-объектов Azure и из него, значения параметров, управляющих режимом записи, назначаются с помощью раскрывающегося списка. Таким образом, невозможно передать недопустимое значение, и эта ошибка не должна появляться. Эта ошибка будет удалена в более позднем выпуске.

Сообщения об исключении
Неподдерживаемый режим записи BLOB-объектов.
Неподдерживаемый режим записи БОЛЬШИХ двоичных объектов: {0}.

Ошибка 0078

Исключение возникает, когда параметр HTTP для модуля импорта данных получает код состояния 3xx, указывающий перенаправление.

Эта ошибка в Машинное обучение возникает, когда параметр HTTP для импорта данных получает код состояния 3xx (301, 302, 304 и т. д.), указывающий на перенаправление. Эта ошибка возникает при попытке подключиться к источнику HTTP, который перенаправляет браузер на другую страницу. По соображениям безопасности перенаправление веб-сайтов запрещено в качестве источников данных для Машинное обучение.

Решение. Если веб-сайт является доверенным, введите URL-адрес перенаправления напрямую.

Сообщения об исключении
Перенаправление HTTP не разрешено

Ошибка 0079

Исключение возникает, если имя контейнера хранилища Azure указано неверно.

Эта ошибка в Машинное обучение возникает, если имя контейнера хранилища Azure указано неправильно. Эта ошибка возникает, если вы не указали имя контейнера и большого двоичного объекта (файла), используя параметр Path to blob beginning with container (Путь к большому двоичному объекту, начинающемуся с контейнера), при записи в хранилище BLOB-объектов Azure.

Решение. Повторно откройте модуль экспорта данных и убедитесь, что указанный путь к большому двоичному объекту содержит как контейнер, так и имя файла в формате контейнер/имя файла.

Сообщения об исключении
The Azure storage container name is incorrect (Неверное имя контейнера хранилища Azure).
Неправильное имя{0} контейнера службы хранилища Azure; ожидается имя контейнера формата или большого двоичного объекта.

Ошибка 0080

Исключение возникает, если в модуле не допускается использование столбца со всеми недостающими значениями.

Эта ошибка в Машинное обучение возникает, когда один или несколько столбцов, используемых модулем, содержат все отсутствующие значения. Например, если модуль вычисляет статистические данные для каждого столбца, он не может обрабатывать столбец, не содержащий данные. В таких случаях выполнение модуля прерывается с помощью этого исключения.

Решение. Повторно откройте входной набор данных и удалите все столбцы, содержащие все пропущенные значения.

Сообщения об исключении
Columns with all values missing are not allowed (Столбцы со всеми отсутствующими значениями не допускаются).
В столбце {0} отсутствуют все значения.

Ошибка 0081

Исключение возникает в модуле PCA, если количество измерений, до которого нужно выполнить сокращение, равно количеству столбцов компонентов во входном наборе данных, содержащем по крайней мере один разреженный столбец компонентов.

Эта ошибка в Машинное обучение возникает, если выполняются следующие условия: (a) входной набор данных имеет по крайней мере один разреженный столбец, а (b) конечное число запрошенных измерений совпадает с количеством входных измерений.

Решение. Рекомендуется уменьшить число измерений в выходных данных, чтобы оно было меньше числа измерений во входных данных. Это распространено в приложениях PCA. Дополнительные сведения см. в разделе "Анализ основных компонентов".

Сообщения об исключении
Для набора данных, содержащего разреженные столбцы признаков, количество измерений для уменьшения должно быть меньше числа столбцов признаков.

Ошибка 0082

Исключение возникает, если не удается успешно десериализовать модель.

Эта ошибка в Машинное обучение возникает, когда сохраненная модель машинного обучения или преобразование не может быть загружена более новой версией среды выполнения Машинное обучение в результате критического изменения.

Разрешение: Обучающий эксперимент, создающий модель или преобразование, должен быть перезапускаться, а модель или преобразование должны быть изменены.

Сообщения об исключении
Модель не может быть десериализована, так как скорее всего она сериализована с использованием старого формата. Повторите обучение и повторно сохраните модель.

Ошибка 0083

Исключение возникает, если набор данных, используемый для обучения, не может применяться для определенного типа ученика.

Эта ошибка в Машинное обучение возникает, если набор данных несовместим с обучаемого средства обучения. Например, набор данных может содержать по крайней мере одно отсутствующее значение в каждой строке, и в результате весь набор данных будет пропущен во время обучения. В других случаях некоторые алгоритмы машинного обучения, такие как обнаружение аномалий, не предполагают присутствие меток и могут вызывать это исключение, если в наборе данных есть метки.

Решение. Просмотрите документацию по ученику для проверки требований к входному набору данных. Изучите столбцы, чтобы увидеть, что все необходимые столбцы присутствуют.

Сообщения об исключении
Dataset used for training is invalid (Для обучения используется недопустимый набор данных).
{0} содержит недопустимые данные для обучения.
{0} содержит недопустимые данные для обучения. Тип Learner: {1}.

Ошибка 0084

Исключение возникает, когда обрабатываются оценки, полученные из сценария R. Это в настоящее время не поддерживается.

Эта ошибка в Машинное обучение возникает, если вы попытаетесь использовать один из модулей для оценки модели с выходными данными из скрипта R, содержащего оценки.

Решение.

Сообщения об исключении
Обработка оценок, созданных R, в настоящее время не поддерживается.

Ошибка 0085

Исключение возникает, если оценка скрипта завершается ошибкой.

Эта ошибка в Машинное обучение возникает при выполнении пользовательского скрипта, содержащего синтаксические ошибки.

Решение. Просмотрите код во внешнем редакторе и проверьте наличие ошибок.

Сообщения об исключении
Error during evaluation of script (Ошибка во время вычисления скрипта).
Следующая ошибка произошла во время оценки скрипта, просмотрите журнал вывода для получения дополнительных сведений: ---------- начало сообщения об ошибке от {0} интерпретатора ---------- {1} ---------- конце сообщения об ошибке от {0} интерпретатора ----------

Ошибка 0086

Возникает исключение при недопустимом преобразовании подсчета.

Эта ошибка в Машинное обучение возникает при выборе преобразования на основе таблицы счетчиков, но выбранное преобразование несовместимо с текущими данными или новой таблицей счетчиков.

Разрешение: Модуль поддерживает сохранение количества и правил, составляющих преобразование в двух разных форматах. Если вы объединяете таблицы счетчиков, убедитесь, что обе таблицы, которые планируется объединить, используют один и тот же формат.

Как правило, преобразование на основе количества может применяться только к наборам данных, которые имеют ту же схему, что и набор данных, на котором изначально было создано преобразование.

Общие сведения см. в разделе Обучение с счетчиками. Требования, относящиеся к созданию и слиянию функций на основе количества, см. в следующих разделах:

Сообщения об исключении
Указано недопустимое преобразование подсчета.
Недопустимое преобразование подсчета при входных портах{0}.
Преобразование подсчета при входных портах{0} "" не может быть объединено с преобразованием подсчета при входных портах ".{1} Убедитесь, что метаданные, используемые для подсчета совпадений.

Ошибка 0087

Возникает исключение при указании недопустимого типа таблицы счетчиков для обучения с использованием модулей счетчиков.

Эта ошибка в Машинное обучение возникает при попытке импортировать существующую таблицу счетчиков, но таблица несовместима с текущими данными или новой таблицей счетчиков.

Разрешение: Существуют различные форматы сохранения счетчиков и правил, составляющих преобразование. Если вы объединяете таблицы счетчиков, убедитесь, что оба используют один и тот же формат.

Как правило, преобразование на основе счетчика может применяться только к наборам данных, которые имеют ту же схему, что и набор данных, на котором изначально было создано преобразование.

Общие сведения см. в разделе Обучение с счетчиками. Требования, относящиеся к созданию и слиянию функций на основе количества, см. в следующих разделах:

Ошибка 0088

Возникает исключение при указании недопустимого типа подсчета для обучения с использованием модулей счетчиков.

Эта ошибка в Машинное обучение возникает при попытке использовать другой метод подсчета, отличный от поддерживаемых для определения признаков на основе счетчиков.

Разрешение: Как правило, методы подсчета выбираются из раскрывающегося списка, поэтому эту ошибку не следует видеть.

Общие сведения см. в разделе Обучение с счетчиками. Требования, относящиеся к созданию и слиянию функций на основе количества, см. в следующих разделах:

Сообщения об исключении
Указан недопустимый тип подсчетов.
Указанный тип подсчета "{0}" не является допустимым типом подсчета.

Ошибка 0089

Исключение возникает, когда указанное количество классов меньше, чем фактическое число классов в наборе данных, используемом для подсчета.

Эта ошибка в Машинное обучение возникает при создании таблицы счетчиков, а столбец меток содержит другое количество классов, чем указано в параметрах модуля.

Разрешение: Проверьте набор данных и узнайте, сколько различных значений (возможных классов) есть в столбце метки. При создании таблицы count необходимо указать по крайней мере это число классов.

Таблица счетчиков не может автоматически определить количество доступных классов.

При создании таблицы счетчиков нельзя указать значение 0 или любое число, которое меньше фактического числа классов в столбце меток.

Сообщения об исключении
Неверное количество классов. Убедитесь, что число классов, указанных в области параметров, больше или равно количеству классов в столбце метки.
Число указанных классов — "{0}", которое не превышает значение метки "{1}" в наборе данных, используемом для подсчета. Убедитесь, что число классов, указанных в области параметров, больше или равно количеству классов в столбце метки.

Ошибка 0090

Исключение возникает, если создание таблицы Hive завершается сбоем.

Эта ошибка в Машинное обучение возникает при использовании экспорта данных или другого параметра для сохранения данных в кластер HDInsight и не может быть создана указанная таблица Hive.

Решение. Проверьте имя учетной записи хранения Azure, связанной с кластером, и убедитесь, что вы используете ту же учетную запись в свойствах модуля.

Сообщения об исключении
The Hive table could not be created. Для кластера HDInsight убедитесь, что имя учетной записи хранения Azure, связанное с кластером, совпадает с тем, что передается через параметр модуля.
Не удалось создать таблицу{0} Hive . Для кластера HDInsight убедитесь, что имя учетной записи хранения Azure, связанное с кластером, совпадает с тем, что передается через параметр модуля.
Не удалось создать таблицу{0} Hive . Для кластера HDInsight убедитесь, что имя учетной записи хранения Azure, связанной с кластером, — "{1}".

Ошибка 0100

Исключение возникает, если для настраиваемого модуля указан неподдерживаемый язык.

Эта ошибка в Машинное обучение возникает при создании пользовательского модуля, а свойство name элемента Language в файле определения XML-кода пользовательского модуля имеет недопустимое значение. В настоящее время единственным допустимым значением этого свойства является R. Пример:

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

Разрешение: Убедитесь, что для свойства name элемента Language в файле определения XML пользовательского модуля задано значение R. Сохраните файл, обновите zip-пакет пользовательского модуля и повторите попытку добавить пользовательский модуль.

Сообщения об исключении
Не поддерживается язык пользовательского модуля, указанный

Ошибка 0101

Все идентификаторы портов и параметров должны быть уникальными.

Эта ошибка в Машинное обучение возникает, когда одному или нескольким портам или параметрам присваивается одно и то же значение идентификатора в xml-файле определения пользовательского модуля.

Разрешение: Убедитесь, что значения идентификаторов во всех портах и параметрах уникальны. Сохраните XML-файл, обновите zip-пакет пользовательского модуля и повторите попытку добавить пользовательский модуль.

Сообщения об исключении
Все идентификаторы портов и параметров для модуля должны быть уникальными.
Модуль "{0}" имеет повторяющиеся идентификаторы портов и аргументов. Все идентификаторы портов и аргументов должны быть уникальными для модуля.

Ошибка 0102

Возникает, если не удается извлечь ZIP-файл

Эта ошибка в Машинное обучение возникает при импорте zip-пакета с расширением .zip, но пакет не является ZIP-файлом или не использует поддерживаемый zip-формат.

Решение. Убедитесь, что выбранный файл является допустимым ZIP-файлом и был сжат с помощью одного из поддерживаемых алгоритмов сжатия.

Если при импорте наборов данных в сжатом формате возникает эта ошибка, убедитесь, что все автономные файлы используют один из поддерживаемых форматов файлов и имеют формат Юникода. Дополнительные сведения см. в разделе "Распаковка zippped Datasets".

Попробуйте считывать нужные файлы в новую сжатой zip-папку и повторите попытку добавить пользовательский модуль.

Сообщения об исключении
Неверный формат ZIP-файла

Ошибка 0103

Возникает, если ZIP-файл не содержит XML-файлов

Эта ошибка в Машинное обучение возникает, когда zip-пакет пользовательского модуля не содержит файлов определения модуля (.xml). Эти файлы должны находиться в корневом каталоге ZIP-пакета (например, не в вложенной папке).)

Разрешение: Убедитесь, что один или несколько файлов определения модуля XML находятся в корневой папке ZIP-пакета, извлекая его во временную папку на диске. Все XML-файлы должны находиться непосредственно в папке, в который вы извлекли ZIP-пакет. Убедитесь, что при создании ZIP-пакета не следует выбирать папку, содержащую XML-файлы для ZIP-файла, так как это создаст вложенную папку в ZIP-пакете с тем же именем, что и папка, выбранная для zip-файла.

Сообщения об исключении
Указанный ZIP-файл не содержит файлы определения модуля (XML-файлы)

Ошибка 0104

Возникает, если файл определения модуля ссылается на скрипт, который не удается найти

Эта ошибка в Машинное обучение возникает, когда файл определения XML пользовательского модуля ссылается на файл скрипта в элементе Language, который не существует в ZIP-пакете. Путь к файлу скрипта определяется в свойстве sourceFile элемента Language . Путь к исходному файлу относится к корню zip-пакета (то же расположение, что и файлы определения XML модуля). Если файл скрипта находится в вложенной папке, необходимо указать относительный путь к файлу скрипта. Например, если все скрипты хранились в папке myScripts в ZIP-пакете, элемент Language должен добавить этот путь к свойству sourceFile , как показано ниже. Пример:

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

Разрешение: Убедитесь, что значение свойства sourceFile в элементе Language пользовательского xml-определения модуля правильно и что исходный файл существует в правильном относительном пути в ZIP-пакете.

Сообщения об исключении
Указанный файл скрипта R не существует.
Не удается найти файл{0} скрипта R, на который ссылается ссылка. Проверьте правильность относительного пути к файлу из расположения определений.

Ошибка 0105

Эта ошибка отображается, если файл определения модуля содержит неподдерживаемый тип параметра

Эта ошибка в Машинное обучение возникает, когда создается пользовательское xml-определение модуля, а тип параметра или аргумента в определении не совпадает с поддерживаемым типом.

Решение. Убедитесь, что свойство типа любого элемента Arg в файле XML-определения пользовательского модуля поддерживается.

Сообщения об исключении
Unsupported parameter type (Неподдерживаемый тип параметра).
Unsupported parameter type '{0}' specified (Указан неподдерживаемый тип параметра {0}).

Ошибка 0106

Возникает, когда файл определения модуля определяет неподдерживаемый тип входных данных

Эта ошибка в Машинное обучение возникает, если тип входного порта в определении XML пользовательского модуля не соответствует поддерживаемого типа.

Разрешение: Убедитесь, что свойство type элемента Input в xml-файле определения пользовательского модуля является поддерживаемым типом.

Сообщения об исключении
Неподдерживаемый тип входных данных.
Неподдерживаемый тип входных данных "{0}" указан.

Ошибка 0107

Возникает, когда файл определения модуля задает неподдерживаемый тип выходных данных.

Эта ошибка в Машинное обучение возникает, если тип выходного порта в определении xml пользовательского модуля не соответствует поддерживаемого типа.

Решение. Убедитесь, что свойство типа любого элемента вывода в файле XML-определения пользовательского модуля поддерживается.

Сообщения об исключении
Unsupported output type (Неподдерживаемый тип выходных данных).
Неподдерживаемый тип выходных данных "{0}" указан.

Ошибка 0108

Возникает, когда файл определения модуля определяет больше входных или выходных портов, чем может поддерживаться.

Эта ошибка в Машинное обучение возникает, если в пользовательском определении XML-кода пользовательского модуля определено слишком много портов ввода или вывода.

Разрешение: Гарантирует, что максимальное количество портов ввода и вывода, определенных в определении XML пользовательского модуля, не превышает максимальное число поддерживаемых портов.

Сообщения об исключении
Превышено число поддерживаемых входных или выходных портов.
Превышено число поддерживаемых портов "{0}". Максимально допустимое число портов "{0}" равно "{1}".

Ошибка 0109

Возникает, когда файл определения модуля неправильно определяет выбор столбцов.

Эта ошибка в Машинное обучение возникает, когда синтаксис аргумента средства выбора столбца содержит ошибку в определении xml пользовательского модуля.

Разрешение: Эта ошибка возникает, когда синтаксис аргумента средства выбора столбца содержит ошибку в определении xml пользовательского модуля.

Сообщения об исключении
Неподдерживаемый синтаксис для выбора столбцов.

Ошибка 0110

Возникает, когда файл определения модуля определяет средство выбора столбцов, ссылающееся на несуществующий идентификатор порта ввода

Эта ошибка в Машинное обучение возникает, если свойство portId в элементе Properties arg типа ColumnPicker не соответствует значению идентификатора входного порта.

Разрешение: Убедитесь, что свойство portId соответствует значению идентификатора входного порта, определенного в определении xml пользовательского модуля.

Сообщения об исключении
Средство выбора столбцов ссылается на несуществующий идентификатор порта ввода.
Средство выбора столбцов ссылается на несуществующий идентификатор порта ввода '{0}'

Ошибка 0111

Возникает, когда файл определения модуля задает недопустимое свойство.

Эта ошибка в Машинное обучение возникает, когда недопустимое свойство назначается элементу в определении XML пользовательского модуля.

Разрешение: Убедитесь, что свойство поддерживается пользовательским элементом модуля.

Сообщения об исключении
Недопустимое определение свойства.
Недопустимое определение свойства "{0}".

Ошибка 0112

Возникает, когда не удается проанализировать файл определения модуля.

Эта ошибка в Машинное обучение возникает, если в xml-формате возникает ошибка, которая предотвращает синтаксический анализ определения XML пользовательского модуля в виде допустимого XML-файла.

Разрешение: Убедитесь, что каждый элемент открыт и закрыт правильно. Убедитесь, что в xml-форматировании нет ошибок.

Сообщения об исключении
Не удается выполнить синтаксический анализ файла определения модуля.
Не удалось проанализировать файл определения модуля '{0}'.

Ошибка 0113

Возникает, когда файл определения модуля содержит ошибки.

Эта ошибка в Машинное обучение возникает, когда можно проанализировать XML-файл пользовательского модуля, но содержит ошибки, такие как определение элементов, не поддерживаемых пользовательскими модулями.

Разрешение: Убедитесь, что файл определения пользовательского модуля определяет элементы и свойства, поддерживаемые пользовательскими модулями.

Сообщения об исключении
Файл определения модуля содержит ошибки.
Файл определения модуля "{0}" содержит ошибки.
Файл определения модуля "{0}" содержит ошибки. {1}

Ошибка 0114

Возникает при сбое построения настраиваемого модуля.

Эта ошибка в Машинное обучение возникает при сбое сборки пользовательского модуля. Это происходит при обнаружении одной или нескольких ошибок, связанных с пользовательским модулем, при добавлении пользовательского модуля. Дополнительные ошибки отображаются в этом сообщении об ошибке.

Разрешение: Устраните ошибки, сообщаемые в этом сообщении об исключении.

Сообщения об исключении
Не удалось построить настраиваемый модуль.
Сбой сборок пользовательского модуля с ошибками: {0}

Ошибка 0115

Возникает, когда скрипт по умолчанию пользовательского модуля имеет неподдерживаемое расширение.

Эта ошибка в Машинное обучение возникает при предоставлении скрипта для пользовательского модуля, использующего неизвестное расширение имени файла.

Разрешение: Проверьте формат файла и расширение имени файла любых файлов скриптов, включенных в пользовательский модуль.

Сообщения об исключении
Неподдерживаемый экстент для сценария по умолчанию.
Неподдерживаемое экстентирование {0} файлов для сценария по умолчанию.

Ошибка 0121

Возникает при сбое записи SQL, так как таблица незаписывается

Эта ошибка в Машинное обучение возникает при использовании модуля экспорта данных для сохранения результатов в таблице в базе данных SQL, и таблица не может быть записана в нее. Как правило, эта ошибка возникает, если модуль экспорта данных успешно устанавливает соединение с экземпляром SQL Server, но затем не может записать содержимое набора данных Azure ML в таблицу.

Решение.

  • Откройте панель свойств модуля экспорта данных и убедитесь, что имена базы данных и таблицы введены правильно.
  • Просмотрите схему экспортируемого набора данных и убедитесь, что данные совместимы с целевой таблицей.
  • Убедитесь, что SQL вход, связанный с именем пользователя и паролем, имеет разрешения на запись в таблицу.
  • Если исключение содержит дополнительные сведения об ошибке из SQL Server, используйте эти сведения для внесения исправлений.
Сообщения об исключении
Подключение к серверу, не удалось выполнить запись в таблицу.
Не удается выполнить запись в таблицу Sql: {0}

Ошибка 0122

Исключение возникает, если указано несколько весовых столбцов, а допускается только один.

Эта ошибка в Машинное обучение возникает, когда в качестве столбцов веса выбрано слишком много столбцов.

Разрешение: Просмотрите входной набор данных и его метаданные. Убедитесь, что только один столбец содержит весовые значения.

Сообщения об исключении
Указано несколько весовых столбцов.

Ошибка 0123

Возникает исключение, если столбец векторов указан как столбец меток.

Эта ошибка в Машинное обучение возникает, если в качестве столбца метки используется вектор.

Разрешение: При необходимости измените формат данных столбца или выберите другой столбец.

Сообщения об исключении
Столбец векторов задан в качестве столбца меток.

Ошибка 0124

Исключение возникает, если нечисловые столбцы указываются как столбец веса.

Решение.

Сообщения об исключении
Нечисловой столбец указан как столбец веса.

Ошибка 0125

Возникает при несоответствии схем нескольких наборов данных.

Решение.

Сообщения об исключении
Dataset schema does not match (Несоответствие схемы набора данных).

Ошибка 0126

Возникает исключение, если пользователь указывает домен SQL, не поддерживаемый в Azure ML.

Эта ошибка возникает, когда пользователь указывает домен SQL, который не поддерживается в Машинное обучение. Эта ошибка возникает, если вы пытаетесь подключиться к серверу базы данных в домене, который отсутствует в списке разрешенных. В настоящее время разрешенные домены SQL: ".database.windows.net", ".cloudapp.net" или ".database.secure.windows.net". То есть сервер должен быть сервером Azure SQL или сервером в виртуальной машине в Azure.

Решение. Повторно откройте модуль. Убедитесь, что сервер базы данных SQL принадлежит одному из принятых доменов:

  • .database.windows.net

  • .cloudapp.net

  • .database.secure.windows.net

Сообщения об исключении
Неподдерживаемый домен SQL.
Домен {0} SQL в настоящее время не поддерживается в Azure ML

Ошибка 0127

Размер изображения в пикселях превышает допустимый предел

Эта ошибка возникает при чтении изображений из набора данных изображений для классификации, если размер изображений больше, чем модель может обработать.

Разрешение: Дополнительные сведения о размере изображения и других требованиях см. в следующих разделах:

Сообщения об исключении
Image pixel size exceeds allowed limit (Размер изображения в пикселях превышает допустимый предел).
Размер пикселя изображения в файле "{0}" превышает допустимое ограничение: "{1}"

Ошибка 0128

Количество условных вероятностей столбцов категории превышает ограничение.

Решение.

Сообщения об исключении
Number of conditional probabilities for categorical columns exceeds limit (Количество условных вероятностей столбцов категории превышает ограничение).
Number of conditional probabilities for categorical columns exceeds limit. Столбцы "" и "{0}{1}" являются проблемной парой.

Ошибка 0129

Number of columns in the dataset exceeds allowed limit (Число столбцов в наборе данных превышает допустимый предел).

Решение.

Сообщения об исключении
Number of columns in the dataset exceeds allowed limit (Число столбцов в наборе данных превышает допустимый предел).
Число столбцов в наборе данных в "{0}" превышает допустимое.
Число столбцов в наборе данных в '{0}' превышает допустимое ограничение '{1}'.
Число столбцов в наборе данных в "{0}" превышает допустимое{1} "" ограничение "{2}".

Ошибка 0130

Исключение возникает, когда все строки в обучаемом наборе данных содержат отсутствующие значения.

Это происходит, когда какой-то столбец в обучаемом наборе данных пуст.

Разрешение: Используйте модуль очистки отсутствующих данных , чтобы удалить столбцы со всеми отсутствующими значениями.

Сообщения об исключении
Все строки в обучаемом наборе данных содержат отсутствующие значения. Рассмотрите возможность использования модуля очистки отсутствующих данных для удаления отсутствующих значений.

Ошибка 0131

Исключение возникает, если один или несколько наборов данных в ZIP-файле не удалось распаковать и правильно зарегистрировать

Эта ошибка возникает, когда один или несколько наборов данных в ZIP-файле не могут быть распакованы и прочитаны правильно. Эта ошибка возникает, если распаковка завершается сбоем, так как zip-файл сам или один из файлов в нем поврежден, или при попытке распаковки и развертывания файла возникает системная ошибка.

Разрешение: Используйте сведения, указанные в сообщении об ошибке, чтобы определить, как продолжить.

Сообщения об исключении
Upload сбой zip-наборов данных
Не удалось выполнить сбой набора данных {0} со следующим сообщением: {1}
Не удалось запаковать набор {0} данных с сообщением {1} : {2}

Ошибка 0132

Имя файла не указано для распаковки; В ZIP-файле найдено несколько файлов.

Эта ошибка возникает, если имя файла не указано для распаковки; В ZIP-файле найдено несколько файлов. Эта ошибка возникает, если файл .zip содержит несколько сжатых файлов, но вы не указали файл для извлечения в наборе данных для распаковки текстового поля в области свойств модуля. В настоящее время при каждом запуске модуля можно извлечь только один файл.

Разрешение: Сообщение об ошибке содержит список файлов, найденных в файле .zip. Скопируйте имя нужного файла и вставьте его в набор данных, чтобы распаковать текстовое поле.

Сообщения об исключении
ZIP-файл содержит несколько файлов; Необходимо указать файл для развертывания.
Файл содержит несколько файлов. Укажите файл для развертывания. Найдены следующие файлы: {0}

Ошибка 0133

Указанный файл не найден в ZIP-файле

Эта ошибка возникает, когда имя файла, введенное в наборе данных для распаковки поля области свойств , не соответствует имени файла, найденного в файле .zip. Наиболее распространенными причинами этой ошибки являются ошибка ввода или поиск неправильного архивного файла для расширения файла.

Решение. Повторно откройте модуль. Если имя файла, предназначенного для распаковки, отображается в списке найденных файлов, скопируйте имя файла и вставьте его в набор данных в поле свойства Unpack . Если в списке нет нужного имени файла, убедитесь, что у вас есть правильный .zip файл и правильное имя нужного файла.

Сообщения об исключении
Указанный файл не найден в zip-файле.
Указанный файл не найден. Найдены следующие файлы: {0}

Ошибка 0134

Исключение возникает, если столбец метки отсутствует или имеет недостаточное количество помеченных строк.

Эта ошибка возникает, когда модулю требуется столбец меток, но вы не включили его при выборе столбца или в столбце метки отсутствует слишком много значений.

Эта ошибка также может возникнуть, когда предыдущая операция изменяет набор данных таким образом, что для последующей операции будет недостаточно строк. Предположим, что вы используете выражение в модуле секционирования и выборки для разделения набора данных по значениям. Если для выражения не найдено совпадений, то один из наборов данных, полученных из секции, будет пустым.

Способы устранения:

Если столбец метки включен в выбор столбца, но он не распознается, используйте модуль "Изменить метаданные ", чтобы пометить его как столбец метки.

Используйте модуль суммирования данных для создания отчета, в котором показано, сколько значений отсутствуют в каждом столбце. Затем можно использовать модуль удаления отсутствующих данных, чтобы удалить строки с отсутствующими значениями в столбце меток.

Проверьте входные наборы данных, чтобы убедиться, что они содержат допустимые данные и достаточно строк для удовлетворения требований операции. Многие алгоритмы выводят сообщение об ошибке, если им требуется некоторое минимальное количество строк данных, но данные содержат только несколько строк или только заголовок.

Сообщения об исключении
Exception occurs when label column is missing or has insufficient number of labeled rows (Исключение возникает, если столбец метки отсутствует или имеет недостаточное количество помеченных строк).
Исключение возникает, когда столбец метки отсутствует или содержит меньше {0} помеченных строк

Ошибка 0135

Поддерживается только кластер на основе центроидов.

Разрешение: Это сообщение об ошибке может возникнуть, если вы попытались оценить модель кластеризации, основанную на пользовательском алгоритме кластеризации, который не использует центроиды для инициализации кластера.

Вы можете использовать оценку модели для оценки моделей кластеризации, основанных на модуле кластеризации K-Средних . Для пользовательских алгоритмов используйте модуль «Выполнение скрипта R » для создания пользовательского скрипта оценки.

Сообщения об исключении
Поддерживается только кластер на основе центроидов.

Ошибка 0136

Имя файла не было возвращено; Не удалось обработать файл в результате.

Решение.

Сообщения об исключении
Имя файла не было возвращено; Не удалось обработать файл в результате.

Ошибка 0137

служба хранилища Azure пакет SDK обнаружил ошибку при преобразовании между свойствами таблицы и столбцами набора данных во время чтения или записи.

Решение.

Сообщения об исключении
Ошибка преобразования между свойством хранилища таблиц Azure и столбцом набора данных.
Ошибка преобразования между свойством хранилища таблиц Azure и столбцом набора данных. Дополнительные сведения: {0}

Ошибка 0138

Превышение доступного объема памяти, не удалось завершить выполнение модуля. Уменьшение выборки набора данных может помочь решить проблему.

Эта ошибка возникает, когда выполняемому модулю требуется больше памяти, чем доступно в контейнере Azure. Это может произойти, если вы работаете с большим набором данных, а текущая операция не помещается в память.

Решение. Если вы пытаетесь считать большой набор данных и операция не может быть завершена, может помочь уменьшение выборки набора данных.

Если вы используете визуализации для наборов данных для проверки кратности столбцов, выборка выполняется только в некоторых строках. Чтобы получить полный отчет, используйте суммирование данных. Вы также можете использовать преобразование "Применить SQL", чтобы проверить количество уникальных значений в каждом столбце.

Иногда временные нагрузки могут привести к этой ошибке. Поддержка компьютера также изменяется с течением времени. Описание поддерживаемого размера данных см. в Машинное обучение часто задаваемых вопросов.

Попробуйте использовать анализ основного компонента или один из предоставленных методов выбора компонентов, чтобы уменьшить набор данных до меньшего набора более полнофункциональные столбцы: выбор компонентов

Сообщения об исключении
Memory has been exhausted, unable to complete running of module (Превышение доступного объема памяти, не удалось завершить выполнение модуля).

Ошибка 0139

Исключение возникает, если невозможно преобразовать столбец в другой тип.

Эта ошибка в Машинное обучение возникает при попытке преобразовать столбец в другой тип данных, но этот тип не поддерживается текущей операцией или модулем.

Ошибка также может возникать, когда модуль пытается неявно преобразовать данные в соответствии с требованиями текущего модуля, но преобразование невозможно.

Решение.

  1. Просмотрите входные данные и определите точный тип данных столбца, который вы хотите использовать, и тип данных столбца, создающего ошибку. Иногда может показаться правильным тип данных, но найдите, что вышестоящее действие изменило тип данных или использование столбца. Используйте модуль "Изменить метаданные " для сброса метаданных столбца в исходное состояние.

  2. Просмотрите страницу справки модуля, чтобы проверить требования для указанной операции. Определите, какие типы данных поддерживаются текущим модулем, и какой диапазон значений поддерживается.

  3. Если значения должны быть усечены, округлены или выбросы удалены, используйте модули применения математических операций или значений клипов для внесения исправлений.

  4. Рассмотрите возможность преобразования или приведения столбца к другому типу данных. Все следующие модули обеспечивают значительную гибкость и возможности для изменения данных:

Примечание

По-прежнему не работает? Рассмотрите возможность предоставления дополнительных отзывов по проблеме, чтобы помочь нам разработать более эффективное руководство по устранению неполадок. Просто отправьте отзыв на этой странице и укажите имя модуля, создающего ошибку, и преобразование типа данных, завершившемся сбоем.

Сообщения об исключении
Not allowed conversion (Преобразование не допускается).
Не удалось преобразовать: {0}.
Не удалось преобразовать: {0}в строке {1}.
Не удалось преобразовать столбец типа {0} в столбец типа {1} в строке {2}.
Не удалось преобразовать столбец "{2}" типа {0} в столбец типа {1} в строке {3}.
Не удалось преобразовать столбец "{2}" типа {0} в столбец "{3}" типа {1} в строке {4}.

Ошибка 0140

Исключение возникает, если переданный аргумент набора столбцов не содержит других столбцов, кроме столбца метки.

Эта ошибка возникает, если вы подключили набор данных к модулю, которому требуется несколько столбцов, включая функции, но вы предоставили только столбец меток.

Разрешение: Выберите по крайней мере один столбец признаков для включения в набор данных.

Сообщения об исключении
Указанный набор столбцов не содержит других столбцов, кроме столбца меток.

Ошибка 0141

Исключение возникает, если число выбранных числовых столбцов и уникальных значений в столбцах категорий и строк слишком мало.

Эта ошибка в Машинное обучение возникает, если в выбранном столбце недостаточно уникальных значений для выполнения операции.

Решение. Некоторые операции выполняют статистические процедуры со столбцами признаков и категориальными столбцами, и если их недостаточно, то операция может завершиться неудачно или вернуть неверный результат. Проверьте набор данных, чтобы узнать, сколько значений в столбцах fature и label, и определите, является ли выполняемая операция статистически допустимой.

Если исходный набор данных является допустимым, можно также проверить, изменились ли данные или удалились ли некоторые значения из-за обработки вышестоящих данных и операций с данными.

Если в вышестоящей операции выполняется разделение, выборка или повторная выборка, убедитесь, что выходные данные содержат ожидаемое число строк и значений.

Сообщения об исключении
The number of the selected numerical columns and unique values in the categorical and string columns is too small (Число выбранных числовых столбцов и уникальных значений в столбцах категорий и строк слишком мало).
Общее число выбранных числовых столбцов и уникальных значений в категориальных и строковых столбцах (в настоящее время {0}) должно быть по крайней мере {1}

Ошибка 0142

Исключение возникает, когда системе не удается загрузить сертификат для проверки подлинности.

Решение.

Сообщения об исключении
Не удается загрузить сертификат.
Не удается загрузить сертификат {0} . Его отпечаток есть {1}.

Ошибка 0143

Не удается проанализировать предоставленный пользователем URL-адрес, который должен быть получен из GitHub.

Эта ошибка в Машинное обучение возникает при указании недопустимого URL-адреса и для модуля требуется допустимый URL-адрес GitHub.

Разрешение: Убедитесь, что URL-адрес ссылается на допустимый репозиторий GitHub. Другие типы сайтов не поддерживаются.

Сообщения об исключении
URL-адрес не из github.com.
URL-адрес не из github.com: {0}

Ошибка 0144

Url-адрес, предоставленный пользователем GitHub, отсутствует ожидаемая часть.

Эта ошибка в Машинное обучение возникает при указании источника файла GitHub с использованием недопустимого формата URL-адреса.

Разрешение: Убедитесь, что URL-адрес репозитория GitHub является допустимым и заканчивается \blob\ или \tree\.

Сообщения об исключении
Не удается проанализировать URL-адрес GitHub.
Не удается проанализировать URL-адрес GitHub (ожидая "\blob\" или "\tree\" после имени репозитория):{0}

Ошибка 0145

Не удается создать каталог репликации по какой-то причине.

Эта ошибка в Машинное обучение возникает, когда модуль не сможет создать указанный каталог.

Решение.

Сообщения об исключении
Не удается создать каталог репликации.

Ошибка 0146

Если файлы пользователя распакуются в локальный каталог, объединенный путь может быть слишком длинным.

Эта ошибка в Машинное обучение возникает при извлечении файлов, но некоторые имена файлов слишком длинны при распакучении.

Разрешение: Измените имена файлов таким образом, чтобы объединенный путь и имя файла не превышало 248 символов.

Сообщения об исключении
Путь репликации длиннее 248 символов, сокращая имя скрипта или путь.

Ошибка 0147

Не удалось скачать материалы из GitHub по какой-то причине

Эта ошибка в Машинное обучение возникает, если не удается прочитать или скачать указанные файлы из GitHub.

Разрешение: Проблема может быть временной; Вы можете попытаться получить доступ к файлам в другое время. Или убедитесь, что у вас есть необходимые разрешения и что источник действителен.

Сообщения об исключении
GitHub ошибка доступа.
GitHub ошибка доступа. {0}

Ошибка 0148

Проблемы с несанкционированным доступом при извлечении данных или создании каталога.

Эта ошибка в Машинное обучение возникает при попытке создать каталог или считывать данные из хранилища, но не имеют необходимых разрешений.

Решение.

Сообщения об исключении
Исключение несанкционированного доступа при извлечении данных.

Ошибка 0149

Файл пользователя не существует в пакете GitHub.

Эта ошибка в Машинное обучение возникает, когда не удается найти указанный файл.

Способы устранения:

Сообщения об исключении
GitHub файл не найден.
GitHub файл не найден.:{0}

Ошибка 0150

Скрипты, поступающие из пользовательского пакета, не удалось распаковать, скорее всего, из-за конфликта с файлами GitHub.

Эта ошибка в Машинное обучение возникает, когда невозможно извлечь скрипт, как правило, при наличии существующего файла с тем же именем.

Способы устранения:

Сообщения об исключении
Не удается распаковать пакет; возможное столкновение имен с файлами GitHub.

Ошибка 0151

Произошла ошибка записи в облачное хранилище. Проверьте URL-адрес.

Эта ошибка в Машинное обучение возникает, когда модуль пытается записать данные в облачное хранилище, но URL-адрес недоступен или недопустим.

Решение. Проверьте URL-адрес и убедитесь, что он доступен для записи.

Сообщения об исключении
Ошибка записи в облачное хранилище (возможно, неправильный URL-адрес).
Ошибка при записи в облачное хранилище: {0}. Проверьте URL-адрес.

Ошибка 0152

Тип облака Azure был указан неправильно в контексте модуля.

Сообщения об исключении
Недопустимый тип облака Azure
Недопустимый тип облака Azure: {0}

Ошибка 0153

Указанная конечная точка хранилища недопустимая.

Сообщения об исключении
Недопустимый тип облака Azure
Плохая служба хранилища конечная точка:{0}

Ошибка 0154

Не удалось разрешить указанное имя сервера.

Сообщения об исключении
Не удалось разрешить указанное имя сервера.
Не удалось разрешить указанный сервер {0}.documents.azure.com

Ошибка 0155

Клиент DocDb вызвал исключение

Сообщения об исключении
Клиент DocDb вызвал исключение
Клиент DocDb: {0}

Ошибка 0156

Неправильный ответ для сервера HCatalog.

Сообщения об исключении
Неправильный ответ для сервера HCatalog. Убедитесь, что все службы запущены.
Неправильный ответ для сервера HCatalog. Убедитесь, что все службы запущены. Сведения об ошибке: {0}

Ошибка 0157

Произошла ошибка при чтении из Базы данных Azure Cosmos из-за несогласованности или различных схем документов. Для чтения требуется, чтобы все документы имели одинаковую схему.

Сообщения об исключении
Обнаружены документы с разными схемами. Убедитесь, что все документы имеют одинаковую схему

Ошибка 1000

Внутреннее исключение библиотеки.

Эта ошибка выдается для перехвата необработанных ошибок внутреннего модуля. Поэтому причины этой ошибки могут отличаться в зависимости от модуля, создавшего ошибку.

Чтобы получить дополнительную помощь, рекомендуется опубликовать подробное сообщение, которое сопровождает ошибку на форуме Машинное обучение вместе с описанием сценария, включая данные, используемые в качестве входных данных. Эти отзывы помогут нам установить приоритеты для ошибок и найти наиболее важные проблемы для дальнейшей работы.

Сообщения об исключении
Library exception (Исключение библиотеки).
Исключение библиотеки: {0}
{0} Исключение библиотеки: {1}

Дополнительная справка

Коды ошибок модуля

Нужна дополнительная помощь или советы по устранению неполадок для Машинное обучение? Попробуйте использовать следующие ресурсы: