Felsöka modulfel i Machine Learning Studio (klassisk) med hjälp av felkoder

  • Artikel

Viktigt

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Lär dig mer om felmeddelanden och undantagskoder som du kan stöta på med hjälp av moduler i Machine Learning Studio (klassisk).

Lös problemet genom att leta efter felet i den här artikeln för att läsa om vanliga orsaker. Det finns två sätt att hämta den fullständiga texten i ett felmeddelande i Studio (klassisk):

  • Klicka på länken Visa utdatalogg i den högra rutan och rulla längst ned. Det detaljerade felmeddelandet visas i de två sista raderna i fönstret.

  • Välj den modul som har felet och klicka på det röda X:et. Endast den relevanta feltexten visas.

Om felmeddelandets text inte är användbar skickar du information om kontexten och eventuella önskade tillägg eller ändringar. Du kan antingen skicka feedback om felämnet eller gå till forumet Machine Learning Studio (klassisk) och ställa en fråga.

Fel 0001

Ett undantag inträffar om det inte gick att hitta en eller flera angivna kolumner i datauppsättningen.

Du får det här felet om ett kolumnval görs för en modul, men de valda kolumnerna inte finns i indatauppsättningen. Det här felet kan inträffa om du har skrivit ett kolumnnamn manuellt eller om kolumnväljaren har angett en föreslagen kolumn som inte fanns i datauppsättningen när du körde experimentet.

Upplösning: Gå tillbaka till modulen som genererar det här undantaget och kontrollera att kolumnnamnet eller namnen är korrekta och att alla refererade kolumner finns.

Undantagsmeddelanden
En eller flera angivna kolumner hittades inte
Det går inte att hitta kolumnen med namn eller index{0}
Kolumnen med namnet eller indexet "{0}" finns inte i "{1}"

Fel 0002

Ett undantag inträffar om en eller flera parametrar inte kunde parsas eller konverteras från den angivna typen till krävs av målmetodtypen.

Det här felet uppstår i Machine Learning när du anger en parameter som indata och värdetypen skiljer sig från den typ som förväntas och implicit konvertering inte kan utföras.

Upplösning: Kontrollera modulkraven och ta reda på vilken värdetyp som krävs (sträng, heltal, dubbel osv.)

Undantagsmeddelanden
Det gick inte att parsa parametern
Det gick inte att parsa parametern "{0}"
Det gick inte att parsa parametern ({0}konvertera) till "{1}"
Det gick inte att konvertera parametern "{0}" från "{1}" till "{2}"
Det gick inte att konvertera{0} parametervärdet "{1}" från "{2}" till "{3}"
Det gick inte att konvertera värdet "{0}" i kolumnen "{1}" från "{2}" till "{3}" med formatet "{4}" angivet

Fel 0003

Ett undantag inträffar om en eller flera indata är null eller tomma.

Du får det här felet i Machine Learning om några indata eller parametrar i en modul är null eller tomma. Det här felet kan till exempel inträffa när du inte har angett något värde för en parameter. Det kan också inträffa om du väljer en datauppsättning som saknar värden eller en tom datauppsättning.

Lösning:

  • Öppna modulen som skapade undantaget och kontrollera att alla indata har angetts. Kontrollera att alla nödvändiga indata har angetts.
  • Kontrollera att data som läses in från Azure Storage är tillgängliga och att kontonamnet eller nyckeln inte har ändrats.
  • Kontrollera att indata saknar värden eller nullvärden.
  • Om du använder en fråga i en datakälla kontrollerar du att data returneras i det format som du förväntar dig.
  • Sök efter stavfel eller andra ändringar i dataspecifikationen.
Undantagsmeddelanden
En eller flera indata är null eller tomma
Indata är{0} null eller tomma

Fel 0004

Ett undantag inträffar om parametern är mindre än eller lika med ett visst värde.

Du får det här felet i Machine Learning om parametern i meddelandet ligger under ett gränsvärde som krävs för att modulen ska bearbeta data.

Upplösning: Gå tillbaka till modulen som genererar undantaget och ändra parametern till större än det angivna värdet.

Undantagsmeddelanden
Parametern bör vara större än gränsvärdet.
{0}Parametervärdet ska vara större än {1}.
Parametern "{0}" har värdet "{1}" som ska vara större än {2}

Fel 0005

Ett undantag inträffar om parametern är mindre än ett specifikt värde.

Du får det här felet i Machine Learning om parametern i meddelandet är under eller lika med ett gränsvärde som krävs för att modulen ska bearbeta data.

Upplösning: Gå tillbaka till modulen som genererar undantaget och ändra parametern till större än eller lika med det angivna värdet.

Undantagsmeddelanden
Parametern ska vara större än eller lika med gränsvärdet.
{0}Parametervärdet ska vara större än eller lika med {1}.
Parametern "{0}" har värdet "{1}" som ska vara större än eller lika med {2}.

Fel 0006

Ett undantag inträffar om parametern är större än eller lika med det angivna värdet.

Du får det här felet i Machine Learning om parametern i meddelandet är större än eller lika med ett gränsvärde som krävs för att modulen ska bearbeta data.

Upplösning: Gå tillbaka till modulen som genererar undantaget och ändra parametern till mindre än det angivna värdet.

Undantagsmeddelanden
Parametrar matchar inte. En av parametrarna bör vara mindre än en annan.
{0}Parametervärdet ska vara mindre än parametervärdet .{1}
Parametern "{0}" har värdet "{1}" som ska vara mindre än {2}.

Fel 0007

Ett undantag inträffar om parametern är större än ett specifikt värde.

Du får det här felet i Machine Learning om du i egenskaperna för modulen har angett ett värde som är större än vad som tillåts. Du kan till exempel ange data som ligger utanför intervallet för datum som stöds, eller så kan du ange att fem kolumner ska användas när endast tre kolumner är tillgängliga.

Du kan också se det här felet om du anger två uppsättningar data som måste matchas på något sätt. Om du till exempel byter namn på kolumner och anger kolumnerna efter index måste antalet namn som du anger matcha antalet kolumnindex. Ett annat exempel kan vara en matematisk åtgärd som använder två kolumner, där kolumnerna måste ha samma antal rader.

Lösning:

  • Öppna modulen i fråga och granska eventuella inställningar för numeriska egenskaper.
  • Se till att alla parametervärden ligger inom det värdeintervall som stöds för den egenskapen.
  • Om modulen tar flera indata kontrollerar du att indata har samma storlek.
  • Om modulen har flera egenskaper som kan anges kontrollerar du att relaterade egenskaper har lämpliga värden. Om du till exempel använder gruppdata i intervall, om du använder alternativet för att ange anpassade lagerplatskanter, måste antalet lagerplatser matcha det antal värden som du anger som intervallgränser.
  • Kontrollera om datauppsättningen eller datakällan har ändrats. Ibland misslyckas ett värde som fungerade med en tidigare version av data när antalet kolumner, kolumndatatyperna eller storleken på data har ändrats.
Undantagsmeddelanden
Parametrar matchar inte. En av parametrarna ska vara mindre än eller lika med en annan.
{0}Parametervärdet ska vara mindre än eller lika med parametervärdet .{1}
Parametern "{0}" har värdet "{1}" som ska vara mindre än eller lika med {2}.

Fel 0008

Ett undantag inträffar om parametern inte är inom intervallet.

Du får det här felet i Machine Learning om parametern i meddelandet ligger utanför de gränser som krävs för att modulen ska bearbeta data.

Det här felet visas till exempel om du försöker använda Lägg till rader för att kombinera två datauppsättningar som har ett annat antal kolumner.

Upplösning: Gå tillbaka till modulen som genererar undantaget och ändra parametern så att den ligger inom det angivna intervallet.

Undantagsmeddelanden
Parametervärdet ligger inte inom det angivna intervallet.
Parametervärdet är{0} inte inom intervallet.
Parametervärdet "{0}" ska ligga i intervallet [{1}, {2}].

Fel 0009

Ett undantag inträffar när namnet på Azure-lagringskontot eller containernamnet har angetts felaktigt.

Det här felet uppstår i Machine Learning Studio (klassisk) när du anger parametrar för ett Azure Storage-konto, men det går inte att matcha namnet eller lösenordet. Fel i lösenord eller kontonamn kan inträffa av många orsaker:

  • Kontot är av fel typ. Vissa nya kontotyper stöds inte för användning med Machine Learning Studio (klassisk). Mer information finns i Importera data .
  • Du har angett fel kontonamn
  • Kontot finns inte längre
  • Lösenordet för lagringskontot är felaktigt eller har ändrats
  • Du angav inte containernamnet eller så finns inte containern
  • Du angav inte filsökvägen (sökvägen till bloben)

Lösning:

Sådana problem uppstår ofta när du försöker ange kontonamn, lösenord eller containersökväg manuellt. Vi rekommenderar att du använder den nya guiden för modulen Importera data , som hjälper dig att leta upp och kontrollera namn.

Kontrollera också om kontot, containern eller bloben har tagits bort. Använd ett annat Azure Storage-verktyg för att kontrollera att kontonamnet och lösenordet har angetts korrekt och att containern finns.

Vissa nyare kontotyper stöds inte av Machine Learning. De nya lagringstyperna "frekvent" eller "kall" kan till exempel inte användas för maskininlärning. Både klassiska lagringskonton och lagringskonton som skapats som "Generell användning" fungerar bra.

Om den fullständiga sökvägen till en blob har angetts kontrollerar du att sökvägen har angetts som container/blobnamn och att både containern och bloben finns i kontot.

Sökvägen får inte innehålla ett inledande snedstreck. Till exempel /container/blob är felaktig och ska anges som container/blob.

Resurser

I den här artikeln finns en förklaring av de olika lagringsalternativ som stöds: Importera data till Machine Learning Studio (klassisk) från olika onlinedatakällor med modulen Importera data

Exempelexperiment

Se de här experimenten i Cortana Intelligence Gallery för exempel på hur du ansluter till olika datakällor:

Undantagsmeddelanden
Namnet på Azure Storage-kontot eller containernamnet är felaktigt.
Azure Storage-kontonamnet "{0}" eller containernamnet "{1}" är felaktigt. Ett containernamn för formatet container/blob förväntades.

Fel 0010

Ett undantag inträffar om indatauppsättningar har kolumnnamn som ska matcha men inte.

Du får det här felet i Machine Learning om kolumnindexet i meddelandet har olika kolumnnamn i de två indatauppsättningarna.

Upplösning: Använd Redigera metadata eller ändra den ursprungliga datauppsättningen så att den har samma kolumnnamn för det angivna kolumnindexet.

Undantagsmeddelanden
Kolumner med motsvarande index i indatauppsättningar har olika namn.
Kolumnnamn är inte samma för kolumner {0} (nollbaserade) för indatauppsättningar ({1} respektive {2} ).

Fel 0011

Ett undantagsfel uppstår om det angivna kolumnuppsättningsargumentet inte gäller för någon av datauppsättningskolumnerna.

Du får det här felet i Machine Learning om den angivna kolumnmarkeringen inte matchar någon av kolumnerna i den angivna datauppsättningen.

Du kan också få det här felet om du inte har valt en kolumn och minst en kolumn krävs för att modulen ska fungera.

Upplösning: Ändra kolumnmarkeringen i modulen så att den gäller för kolumnerna i datauppsättningen.

Om modulen kräver att du väljer en specifik kolumn, till exempel en etikettkolumn, kontrollerar du att den högra kolumnen är markerad.

Om olämpliga kolumner har valts tar du bort dem och kör experimentet igen.

Undantagsmeddelanden
Den angivna kolumnuppsättningen gäller inte för någon av datauppsättningskolumnerna.
Den angivna kolumnuppsättningen{0} gäller inte för någon av datauppsättningskolumnerna.

Fel 0012

Ett undantag inträffar om det inte gick att skapa en instans av klassen med angivna argument.

Upplösning: Det här felet kan inte åtgärdas av användaren och kommer att bli inaktuellt i en framtida version.

Undantagsmeddelanden
Träna modellen först utan träning.
Otränad modell ({0}), använd tränad modell.

Fel 0013

Ett undantag uppstår om eleven som skickas till modulen är en ogiltig typ.

Det här felet uppstår när en tränad modell inte är kompatibel med den anslutna bedömningsmodulen. Om du till exempel ansluter utdata från Train Matchbox Recommender till Score Model (i stället för Score Matchbox Recommender) genereras det här felet när experimentet körs.

Lösning:

Fastställ vilken typ av elev som skapas av träningsmodulen och bestäm vilken bedömningsmodul som är lämplig för eleven.

Om modellen har tränats med någon av de specialiserade träningsmodulerna ansluter du endast den tränade modellen till motsvarande specialiserade bedömningsmodul.

Modelltyp Träningsmodul Bedömningsmodul
alla klassificerare Träna modell - eller justeringsmodellhyperparametrar Poängmodell
valfri regressionsmodell Träna modell - eller justeringsmodellhyperparametrar Poängmodell
klustringsmodeller Träna klustringsmodell eller svepklustring Tilldela data till kluster
avvikelseidentifiering – One-Class stödvektormaskin Träna avvikelseidentifieringsmodell Poängmodell
avvikelseidentifiering – PCA Träna modell - eller justeringsmodellhyperparametrar Poängmodell
Några ytterligare steg krävs för att utvärdera modellen.
avvikelseidentifiering – tidsserie Time Series-avvikelseidentifiering Modellen tränar från data och genererar poäng. Modulen skapar ingen tränad deltagare och ingen ytterligare bedömning krävs.
rekommendationsmodell Träna Matchbox-rekommenderare Poängmatchningsrekommendator
bildklassificering Förtränad kaskadbildklassificering Poängmodell
Vowpal Wabbit-modeller Träna Vowpal Wabbit Version 7-4 Modell Poäng Vowpal Wabbit Version 7-4 Modell
Vowpal Wabbit-modeller Träna Vowpal Wabbit Version 7-10 Modell Poäng Vowpal Wabbit Version 7-10 Modell
Vowpal Wabbit-modeller Träna Vowpal Wabbit Version 8-modell Poäng vowpal Wabbit version 8 modell
Undantagsmeddelanden
En deltagare av ogiltig typ skickas.
Learner har{0} en ogiltig typ.

Fel 0014

Ett undantag inträffar om antalet unika kolumnvärden är större än vad som tillåts.

Det här felet uppstår när en kolumn innehåller för många unika värden. Du kan till exempel se det här felet om du anger att en kolumn ska hanteras som kategoriska data, men det finns för många unika värden i kolumnen för att bearbetningen ska kunna slutföras. Du kan också se det här felet om det finns ett matchningsfel mellan antalet unika värden i två indata.

Lösning:

Öppna modulen som genererade felet och identifiera de kolumner som används som indata. För vissa moduler kan du högerklicka på indata för datauppsättningen och välja Visualisera för att hämta statistik om enskilda kolumner, inklusive antalet unika värden och deras fördelning.

För kolumner som du tänker använda för gruppering eller kategorisering vidtar du åtgärder för att minska antalet unika värden i kolumner. Du kan minska på olika sätt beroende på kolumnens datatyp.

Tips

Går det inte att hitta en lösning som matchar ditt scenario? Du kan ge feedback om det här avsnittet som innehåller namnet på modulen som genererade felet, samt kolumnens datatyp och kardinalitet. Vi använder informationen för att tillhandahålla mer riktade felsökningssteg för vanliga scenarier.

Undantagsmeddelanden
Antalet unika kolumnvärden är större än vad som tillåts.
Antalet unika värden i kolumnen: "{0}" överskrider tuppelns {1}antal .

Fel 0015

Ett undantagsfel uppstår om databasanslutningen misslyckades.

Du får det här felet om du anger ett felaktigt SQL kontonamn, lösenord, databasserver eller databasnamn, eller om det inte går att upprätta en anslutning till databasen på grund av problem med databasen eller servern.

Upplösning: Kontrollera att kontonamnet, lösenordet, databasservern och databasen har angetts korrekt och att det angivna kontot har rätt behörighetsnivå. Kontrollera att databasen är tillgänglig för tillfället.

Undantagsmeddelanden
Ett fel uppstod när databasanslutningen skulle upprättas.
Det gick inte att upprätta en databasanslutning: {0}.

Fel 0016

Ett undantag inträffar om indatauppsättningar som skickas till modulen ska ha kompatibla kolumntyper men inte.

Du får det här felet i Machine Learning om de typer av kolumner som skickas i två eller flera datauppsättningar inte är kompatibla med varandra.

Upplösning: Använd Redigera metadata, ändra den ursprungliga indatauppsättningen eller använd Konvertera till datauppsättning för att säkerställa att typerna av kolumner är kompatibla.

Undantagsmeddelanden
Kolumner med motsvarande index i indatauppsättningar har inkompatibla typer.
Kolumner {0} och {1} är inkompatibla.
Kolumnelementtyper är inte kompatibla för kolumner {0} (nollbaserade) för indatauppsättningar ({1} respektive {2} ).

Fel 0017

Ett undantag inträffar om en vald kolumn använder en datatyp som inte stöds av den aktuella modulen.

Du kan till exempel få det här felet i Machine Learning om ditt kolumnval innehåller en kolumn med en datatyp som inte kan bearbetas av modulen, till exempel en strängkolumn för en matematisk åtgärd eller en poängkolumn där en kategorisk funktionskolumn krävs.

Lösning:

  1. Identifiera den kolumn som är problemet.
  2. Granska kraven för modulen.
  3. Ändra kolumnen så att den uppfyller kraven. Du kan behöva använda flera av följande moduler för att göra ändringar, beroende på vilken kolumn och konvertering du försöker utföra:
  4. Som en sista utväg kan du behöva ändra den ursprungliga indatauppsättningen.

Tips

Går det inte att hitta en lösning som matchar ditt scenario? Du kan ge feedback om det här avsnittet som innehåller namnet på modulen som genererade felet, samt kolumnens datatyp och kardinalitet. Vi använder informationen för att tillhandahålla mer riktade felsökningssteg för vanliga scenarier.

Undantagsmeddelanden
Det går inte att bearbeta kolumnen av aktuell typ. Typen stöds inte av modulen.
Det går inte att bearbeta kolumnen av typen {0}. Typen stöds inte av modulen.
Det går inte att bearbeta kolumnen av{1} typen {0}. Typen stöds inte av modulen.
Det går inte att bearbeta kolumnen av{1} typen {0}. Typen stöds inte av modulen. Parameternamn: {2}

Fel 0018

Ett undantag inträffar om indatauppsättningen inte är giltig.

Upplösning: Det här felet i Machine Learning kan visas i många kontexter, så det finns inte en enda lösning. I allmänhet indikerar felet att data som tillhandahålls som indata till en modul har fel antal kolumner eller att datatypen inte matchar kraven för modulen. Ett exempel:

  • Modulen kräver en etikettkolumn, men ingen kolumn har markerats som en etikett, eller så har du inte valt någon etikettkolumn ännu.

  • Modulen kräver att data är kategoriska, men dina data är numeriska.

  • Modulen kräver en specifik datatyp. Klassificeringar som tillhandahålls till Train Matchbox Recommender kan till exempel vara numeriska eller kategoriska, men får inte vara flyttalsnummer.

  • Data har fel format.

  • Importerade data innehåller ogiltiga tecken, felaktiga värden eller värden som ligger utom intervallet.

  • Kolumnen är tom eller innehåller för många saknade värden.

Om du vill fastställa kraven och hur dina data kan användas kan du läsa hjälpavsnittet för modulen som kommer att använda datauppsättningen som indata.

Vi rekommenderar också att du använder Sammanfatta data eller Beräkningsstatistik för att profilera dina data och använda dessa moduler för att åtgärda metadata och rensa värden: Redigera metadata, Rensa saknade data, Clip Values.

Undantagsmeddelanden
Datauppsättningen är inte giltig.
{0} innehåller ogiltiga data.
{0} och {1} bör vara konsekvent kolumnvis.

Fel 0019

Ett undantag inträffar om kolumnen förväntas innehålla sorterade värden, men inte.

Du får det här felet i Machine Learning om de angivna kolumnvärdena är i fel ordning.

Upplösning: Sortera kolumnvärdena genom att manuellt ändra indatauppsättningen och köra modulen igen.

Undantagsmeddelanden
Värden i kolumnen sorteras inte.
Värden i kolumnen "{0}" sorteras inte.
Värden i kolumnen "{0}" för datauppsättningen "{1}" sorteras inte.

Fel 0020

Ett undantag inträffar om antalet kolumner i vissa datauppsättningar som skickas till modulen är för litet.

Du får det här felet i Machine Learning om inte tillräckligt många kolumner har valts för en modul.

Upplösning: Gå tillbaka till modulen och se till att kolumnväljaren har rätt antal markerade kolumner.

Undantagsmeddelanden
Antalet kolumner i indatauppsättningen är mindre än tillåtet minimum.
Antalet kolumner i indatauppsättningen är mindre än tillåtet minsta antal {0} kolumner.
Antalet kolumner i indatauppsättningen är{0} mindre än tillåtet minsta antal {1} kolumner.

Fel 0021

Ett undantag inträffar om antalet rader i vissa datauppsättningar som skickas till modulen är för litet.

Det här felet visas i Machine Learning när det inte finns tillräckligt med rader i datauppsättningen för att utföra den angivna åtgärden. Du kan till exempel se det här felet om indatauppsättningen är tom eller om du försöker utföra en åtgärd som kräver att ett minsta antal rader är giltigt. Sådana åtgärder kan omfatta (men är inte begränsade till) gruppering eller klassificering baserat på statistiska metoder, vissa typer av binning och inlärning med antal.

Lösning:

  • Öppna modulen som returnerade felet och kontrollera egenskaperna för indatauppsättningen och modulen.
  • Kontrollera att indatauppsättningen inte är tom och att det finns tillräckligt med rader med data för att uppfylla kraven som beskrivs i modulhjälpen.
  • Om dina data läses in från en extern källa kontrollerar du att datakällan är tillgänglig och att det inte finns några fel eller ändringar i datadefinitionen som skulle göra att importprocessen får färre rader.
  • Om du utför en åtgärd på data uppströms i modulen som kan påverka typen av data eller antalet värden, till exempel rensnings-, delnings- eller kopplingsåtgärder, kontrollerar du utdata från dessa åtgärder för att fastställa antalet rader som returneras.

Fel 0022

Ett undantag inträffar om antalet valda kolumner i indatauppsättningen inte är lika med det förväntade antalet.

Det här felet i Machine Learning kan inträffa när den underordnade modulen eller åtgärden kräver ett visst antal kolumner eller indata, och du har angett för få eller för många kolumner eller indata. Ett exempel:

  • Du anger en kolumn eller nyckelkolumn med en enskild etikett och har valt flera kolumner av misstag.

  • Du byter namn på kolumner, men anger fler eller färre namn än det finns kolumner.

  • Antalet kolumner i källan eller målet har ändrats eller matchar inte antalet kolumner som används av modulen.

  • Du har angett en kommaavgränsad lista med värden för indata, men antalet värden matchar inte, eller så stöds inte flera indata.

Upplösning: Gå tillbaka till modulen och kontrollera kolumnmarkeringen för att säkerställa att rätt antal kolumner har valts. Kontrollera utdata från överordnade moduler och kraven för nedströmsåtgärder.

Om du har använt något av alternativen för kolumnval som kan välja flera kolumner (kolumnindex, alla funktioner, alla numeriska osv.) kontrollerar du det exakta antalet kolumner som returneras av markeringen.

Om du försöker ange en kommaavgränsad lista över datauppsättningar som indata till Packa upp zippade datauppsättningar packar du bara upp en datauppsättning i taget. Flera indata stöds inte.

Kontrollera att antalet eller typen av överordnade kolumner inte har ändrats.

Om du använder en rekommendationsdatauppsättning för att träna en modell bör du komma ihåg att rekommenderaren förväntar sig ett begränsat antal kolumner som motsvarar användarobjektpar eller rankning av användarobjekt. Ta bort ytterligare kolumner innan du tränar modellen eller delar upp rekommendationsdatauppsättningar. Mer information finns i Dela upp data.

Undantagsmeddelanden
Antalet markerade kolumner i indatauppsättningen är inte lika med det förväntade antalet.
Antalet markerade kolumner i indatauppsättningen är inte lika med {0}.
Kolumnmarkeringsmönstret ger{0} antalet markerade kolumner i indatauppsättningen som inte är lika med {1}.
Kolumnmarkeringsmönstret förväntas{0} tillhandahålla {1} kolumner som valts i indatauppsättningen, men {2} kolumner tillhandahålls/tillhandahålls.

Fel 0023

Ett undantag inträffar om målkolumnen för indatauppsättningen inte är giltig för den aktuella träningsmodulen.

Det här felet i Machine Learning inträffar om målkolumnen (som valts i modulparametrarna) inte är av giltig datatyp, innehåller alla saknade värden eller inte var kategorisk som förväntat.

Upplösning: Gå tillbaka till modulindata för att granska innehållet i kolumnen etikett/mål. Kontrollera att alla värden som saknas inte saknas. Om modulen förväntar sig att målkolumnen ska vara kategorisk kontrollerar du att det finns fler än ett distinkta värden i målkolumnen.

Undantagsmeddelanden
Indatauppsättningen har målkolumnen som inte stöds.
Indatauppsättningen har målkolumnen "{0}" som inte stöds.
Indatauppsättningen har målkolumnen "{0}" som inte stöds för learner av typen {1}.

Fel 0024

Ett undantag inträffar om datauppsättningen inte innehåller någon etikettkolumn.

Det här felet i Machine Learning inträffar när modulen kräver en etikettkolumn och datauppsättningen inte har någon etikettkolumn. Till exempel kräver utvärdering av en poängsatt datauppsättning vanligtvis att en etikettkolumn finns för att beräkna noggrannhetsmått.

Det kan också hända att en etikettkolumn finns i datauppsättningen, men inte identifieras korrekt av Machine Learning.

Lösning:

  • Öppna modulen som genererade felet och kontrollera om det finns en etikettkolumn. Namnet eller datatypen för kolumnen spelar ingen roll, så länge kolumnen innehåller ett enda resultat (eller en beroende variabel) som du försöker förutsäga. Om du inte är säker på vilken kolumn som har etiketten letar du upp ett allmänt namn, till exempel Klass eller Mål.
  • Om datauppsättningen inte innehåller någon etikettkolumn är det möjligt att etikettkolumnen uttryckligen eller av misstag har tagits bort överordnad. Det kan också vara så att datauppsättningen inte är utdata från en överordnade bedömningsmodul.
  • Om du uttryckligen vill markera kolumnen som etikettkolumn lägger du till modulen Redigera metadata och ansluter datauppsättningen. Välj bara etikettkolumnen och välj Etikett i listrutan Fält .
  • Om fel kolumn väljs som etikett kan du välja Rensa etikett från Fält för att åtgärda metadata i kolumnen.
Undantagsmeddelanden
Det finns ingen etikettkolumn i datauppsättningen.
Det finns ingen etikettkolumn i "{0}".

Fel 0025

Ett undantag inträffar om datauppsättningen inte innehåller någon poängkolumn.

Det här felet i Machine Learning inträffar om indata till utvärderingsmodellen inte innehåller giltiga poängkolumner. Till exempel försöker användaren utvärdera en datauppsättning innan den poängsätts med en korrekt tränad modell, eller så togs poängkolumnen uttryckligen bort överordnad. Det här undantaget inträffar också om poängkolumnerna för de två datauppsättningarna är inkompatibla. Du kanske till exempel försöker jämföra noggrannheten för en linjär regressor med en binär klassificerare.

Upplösning: Gå tillbaka till indata till utvärderingsmodellen och kontrollera om den innehåller en eller flera poängkolumner. Annars har datauppsättningen inte poängsatts eller så togs poängkolumnerna bort i en överordnad modul.

Undantagsmeddelanden
Det finns ingen poängkolumn i datauppsättningen.
Det finns ingen poängkolumn i "{0}".
Det finns ingen poängkolumn i "{0}" som skapas av ett "{1}". Poängsätt datauppsättningen med rätt typ av elev.

Fel 0026

Undantag inträffar om kolumner med samma namn inte tillåts.

Det här felet i Machine Learning inträffar om flera kolumner har samma namn. Ett sätt att få det här felet är om datauppsättningen inte har någon rubrikrad och kolumnnamn tilldelas automatiskt: Col0, Col1 osv.

Upplösning: Om kolumner har samma namn infogar du modulen Redigera metadata mellan indatauppsättningen och modulen. Använd kolumnväljaren i Redigera metadata för att välja kolumner att byta namn på och skriva in de nya namnen i textrutan Nya kolumnnamn .

Undantagsmeddelanden
Lika med kolumnnamn anges i argument. Lika med kolumnnamn tillåts inte av modulen.
Lika med kolumnnamn i argumenten "{0}" och "{1}" tillåts inte. Ange olika namn.

Fel 0027

Undantag inträffar om två objekt måste ha samma storlek men inte är det.

Detta är ett vanligt fel i Machine Learning och kan orsakas av många villkor.

Upplösning: Det finns ingen specifik lösning. Du kan dock söka efter villkor som följande:

  • Om du byter namn på kolumner kontrollerar du att varje lista (indatakolumnerna och listan med nya namn) har samma antal objekt.

  • Om du ansluter eller sammanfogar två datauppsättningar kontrollerar du att de har samma schema.

  • Om du ansluter till två datauppsättningar som har flera kolumner kontrollerar du att nyckelkolumnerna har samma datatyp och väljer alternativet Tillåt dubbletter och bevara kolumnordningen i markeringen.

Undantagsmeddelanden
Storleken på skickade objekt är inkonsekvent.
Storleken på "{0}" är inkonsekvent med storleken på "{1}".

Fel 0028

Ett undantag inträffar när kolumnuppsättningen innehåller duplicerade kolumnnamn och det inte är tillåtet.

Det här felet i Machine Learning inträffar när kolumnnamn dupliceras. Det är inte unikt.

Upplösning: Om några kolumner har samma namn lägger du till en instans av Redigera metadata mellan indatauppsättningen och modulen som genererar felet. Använd kolumnväljaren i Redigera metadata för att välja kolumner att byta namn på och skriv de nya kolumnnamnen i textrutan Nya kolumnnamn . Om du byter namn på flera kolumner kontrollerar du att de värden som du skriver i De nya kolumnnamnen är unika.

Undantagsmeddelanden
Kolumnuppsättningen innehåller duplicerade kolumnnamn.
Namnet är{0} duplicerat.
Namnet "{0}" dupliceras i "{1}".

Fel 0029

Ett undantag inträffar om ogiltig URI skickas.

Det här felet i Machine Learning inträffar om ogiltig URI skickas. Du får det här felet om något av följande villkor är sant: eller.

  • Den offentliga URI eller SAS-URI som tillhandahålls för Azure Blob Storage för läsning eller skrivning innehåller ett fel.

  • Tidsfönstret för SAS har upphört att gälla.

  • Webb-URL:en via HTTP-källa representerar en fil eller en loopback-URI.

  • Webb-URL:en via HTTP innehåller en felaktigt formaterad URL.

  • Det går inte att matcha URL:en med fjärrkällan.

Upplösning: Gå tillbaka till modulen och kontrollera formatet för URI:n. Om datakällan är en webb-URL via HTTP kontrollerar du att den avsedda källan inte är en fil eller en loopback-URI (localhost).

Undantagsmeddelanden
Ogiltig URI skickas.

Fel 0030

Ett undantag inträffar när det inte går att ladda ned en fil.

Det här undantaget i Machine Learning inträffar när det inte går att ladda ned en fil. Du får det här undantaget när ett försök att läsa från en HTTP-källa har misslyckats efter tre (3) återförsök.

Upplösning: Kontrollera att URI:n till HTTP-källan är korrekt och att webbplatsen för närvarande är tillgänglig via Internet.

Undantagsmeddelanden
Det går inte att ladda ned en fil.
Fel vid nedladdning av filen: {0}.

Fel 0031

Ett undantag inträffar om antalet kolumner i kolumnuppsättningen är mindre än nödvändigt.

Det här felet i Machine Learning inträffar om antalet valda kolumner är mindre än nödvändigt. Du får det här felet om det minsta antal kolumner som krävs inte har valts.

Upplösning: Lägg till ytterligare kolumner i kolumnmarkeringen med hjälp av kolumnväljaren.

Undantagsmeddelanden
Antalet kolumner i kolumnuppsättningen är mindre än vad som krävs.
{0} kolumner ska anges. Det faktiska antalet angivna kolumner är {1}.

Fel 0032

Ett undantagsfel uppstår om argumentet inte är ett tal.

Du får det här felet i Machine Learning om argumentet är dubbelt eller NaN.

Upplösning: Ändra det angivna argumentet så att det använder ett giltigt värde.

Undantagsmeddelanden
Argumentet är inte ett tal.
"{0}" är inte ett tal.

Fel 0033

Ett undantag inträffar om argumentet är Infinity.

Det här felet i Machine Learning inträffar om argumentet är oändligt. Du får det här felet om argumentet är antingen double.NegativeInfinity eller double.PositiveInfinity.

Upplösning: Ändra det angivna argumentet till ett giltigt värde.

Undantagsmeddelanden
Argumentet måste vara begränsat.
"{0}" är inte ändlig.

Fel 0034

Ett undantag inträffar om det finns fler än en klassificering för ett visst användarobjektpar.

Det här felet i Machine Learning uppstår i rekommendationen om ett användarobjektpar har fler än ett klassificeringsvärde.

Upplösning: Kontrollera att användarobjektparet endast har ett klassificeringsvärde.

Undantagsmeddelanden
Det finns fler än en klassificering för värdena i datauppsättningen.
Mer än ett omdöme för användare {0} och objekt {1} i datatabellen för klassificeringsförutsägelse.

Fel 0035

Ett undantag inträffar om inga funktioner har angetts för en viss användare eller ett visst objekt.

Det här felet i Machine Learning inträffar när du försöker använda en rekommendationsmodell för bedömning, men det går inte att hitta en funktionsvektor.

Lösning:

Matchbox-rekommenderaren har vissa krav som måste uppfyllas när du använder antingen objektfunktioner eller användarfunktioner. Det här felet anger att en funktionsvektor saknas för en användare eller ett objekt som du angav som indata. Du måste se till att en vektor med funktioner är tillgänglig i data för varje användare eller objekt.

Om du till exempel har tränat en rekommendationsmodell med funktioner som användarens ålder, plats eller inkomst, men nu vill skapa poäng för nya användare som inte har setts under träningen, måste du ange en motsvarande uppsättning funktioner (nämligen ålder, plats och inkomstvärden) för de nya användarna för att kunna göra lämpliga förutsägelser för dem.

Om du inte har några funktioner för dessa användare kan du överväga att använda funktionsframställning för att generera lämpliga funktioner. Om du till exempel inte har individuell användarålder eller inkomstvärden kan du generera ungefärliga värden som ska användas för en grupp användare.

När du gör poäng från ett rekommendationsläge kan du bara använda objekt- eller användarfunktioner om du tidigare använde objekt- eller användarfunktioner under träningen. Mer information finns i Poängsätta matchningsboxrekommendator.

Allmän information om hur rekommendationsalgoritmen för Matchbox fungerar och hur du förbereder en datauppsättning med objektfunktioner eller användarfunktioner finns i Träna Matchbox-rekommenderare.

Tips

Är lösningen inte tillämplig på ditt fall? Du är välkommen att skicka feedback om den här artikeln och ge information om scenariot, inklusive modulen och antalet rader i kolumnen. Vi använder den här informationen för att tillhandahålla mer detaljerade felsökningssteg i framtiden.

Undantagsmeddelanden
Inga funktioner har angetts för en användare eller ett objekt som krävs.
Funktioner för {0} nödvändiga men inte tillhandahållna.

Fel 0036

Ett undantag inträffar om flera funktionsvektorer har angetts för en viss användare eller ett visst objekt.

Det här felet i Machine Learning inträffar om en funktionsvektor har definierats mer än en gång.

Upplösning: Kontrollera att funktionsvektorn inte har definierats mer än en gång.

Undantagsmeddelanden
Duplicera funktionsdefinition för en användare eller ett objekt.
Duplicerad funktionsdefinition för {0}.

Fel 0037

Ett undantag inträffar om flera etikettkolumner har angetts och bara en tillåts.

Det här felet i Machine Learning inträffar om fler än en kolumn har valts som ny etikettkolumn. De flesta övervakade inlärningsalgoritmer kräver att en enda kolumn markeras som mål eller etikett.

Upplösning: Se till att välja en enskild kolumn som den nya etikettkolumnen.

Undantagsmeddelanden
Flera etikettkolumner har angetts.

Fel 0038

Ett undantag inträffar om antalet förväntade element ska vara ett exakt värde, men inte.

Det här felet i Machine Learning inträffar om antalet förväntade element ska vara ett exakt värde, men inte. Du får det här felet om antalet element inte är lika med det giltiga förväntade värdet.

Upplösning: Ändra indata så att de har rätt antal element.

Undantagsmeddelanden
Antalet element är ogiltigt.
Antalet element i är{0} ogiltigt.
Antalet element i är{0} inte lika med giltigt antal {1} element.

Fel 0039

Ett undantag inträffar om en åtgärd har misslyckats.

Det här felet i Machine Learning inträffar när en intern åtgärd inte kan slutföras.

Upplösning: Det här felet orsakas av många villkor och det finns ingen specifik åtgärd.
Följande tabell innehåller allmänna meddelanden för det här felet, som följs av en specifik beskrivning av villkoret.

Om ingen information är tillgänglig skickar du feedback och ger information om de moduler som genererade felet och relaterade villkor.

Undantagsmeddelanden
Åtgärden misslyckades.
Fel vid slutförande av åtgärden: {0}.

Fel 0040

Ett undantag uppstår när en inaktuell modul anropas.

Det här felet i Machine Learning skapas när en inaktuell modul anropas.

Upplösning: Ersätt den inaktuella modulen med en modul som stöds. Se utdataloggen för modulen för information om vilken modul som ska användas i stället.

Undantagsmeddelanden
Åtkomst till inaktuell modul.
Modulen "{0}" är inaktuell. Använd modulen "{1}" i stället.

Fel 0041

Ett undantag uppstår när en inaktuell modul anropas.

Det här felet i Machine Learning skapas när en inaktuell modul anropas.

Upplösning: Ersätt den inaktuella modulen med en uppsättning moduler som stöds. Den här informationen bör visas i modulens utdatalogg.

Undantagsmeddelanden
Åtkomst till inaktuell modul.
Modulen "{0}" är inaktuell. Använd modulerna "{1}" för begärda funktioner.

Fel 0042

Ett undantag inträffar när det inte går att konvertera kolumnen till en annan typ.

Det här felet i Machine Learning inträffar när det inte går att konvertera kolumnen till den angivna typen. Du får det här felet om en modul kräver en viss datatyp, till exempel datetime, text, ett flyttalsnummer eller heltal, men det går inte att konvertera en befintlig kolumn till den typ som krävs.

Du kan till exempel välja en kolumn och försöka konvertera den till en numerisk datatyp för användning i en matematisk åtgärd och få det här felet om kolumnen innehåller ogiltiga data.

En annan anledning till att du kan få det här felet om du försöker använda en kolumn som innehåller flyttalsnummer eller många unika värden som en kategorisk kolumn.

Lösning:

  • Öppna hjälpsidan för modulen som genererade felet och kontrollera kraven för datatypen.
  • Granska datatyperna för kolumnerna i indatauppsättningen.
  • Granska data som kommer från så kallade schemalösa datakällor.
  • Kontrollera datauppsättningen för saknade värden eller specialtecken som kan blockera konvertering till önskad datatyp.
    • Numeriska datatyper ska vara konsekventa: till exempel söka efter flyttalsnummer i en kolumn med heltal.
    • Leta efter textsträngar eller NA-värden i en talkolumn.
    • Booleska värden kan konverteras till en lämplig representation beroende på vilken datatyp som krävs.
    • Granska textkolumner för icke-unicode-tecken, tabbtecken eller kontrolltecken
    • Datetime-data bör vara konsekventa för att undvika modelleringsfel, men rensningen kan vara komplex på grund av de många formaten. Överväg att använda modulerna Execute R Script (Kör R-skript ) eller Execute Python Script (Kör Python-skript) för att utföra rensning.
  • Om det behövs ändrar du värdena i indatauppsättningen så att kolumnen kan konverteras. Ändringar kan omfatta bining, trunkering eller avrundningsåtgärder, eliminering av avvikande värden eller imputation av saknade värden. I följande artiklar finns några vanliga scenarier för datatransformering i maskininlärning:

Tips

Är lösningen oklar eller inte tillämplig för ditt fall? Du är välkommen att skicka feedback om den här artikeln och ge information om scenariot, inklusive modulen och datatypen för kolumnen. Vi använder den här informationen för att tillhandahålla mer detaljerade felsökningssteg i framtiden.

Undantagsmeddelanden
Tillåts inte konvertering.
Det gick inte att konvertera en kolumn av typen {0} till en kolumn av typen {1}.
Det gick inte att konvertera kolumnen "{2}" av typen {0} till en kolumn av typen {1}.
Det gick inte att konvertera kolumnen "{2}" av typen {0} till kolumnen "{3}" av typen {1}.

Fel 0043

Ett undantag inträffar när elementtypen inte uttryckligen implementerar Lika med.

Det här felet i Machine Learning används inte och kommer att bli inaktuellt.

Upplösning: Ingen.

Undantagsmeddelanden
Ingen tillgänglig explicit metod Lika med hittades.
Det går inte att jämföra värden för kolumnen \"{0}\" av typen {1}. Ingen tillgänglig explicit metod Lika med hittades.

Fel 0044

Ett undantag inträffar när det inte går att härleda elementtypen för kolumnen från de befintliga värdena.

Det här felet i Machine Learning inträffar när det inte går att härleda typen av en kolumn eller kolumner i en datauppsättning. Detta inträffar vanligtvis när två eller flera datauppsättningar sammanfogas med olika elementtyper. Om Machine Learning inte kan fastställa en gemensam typ som kan representera alla värden i en kolumn eller kolumner utan informationsförlust genererar den det här felet.

Upplösning: Kontrollera att alla värden i en viss kolumn i båda datauppsättningarna som kombineras är av samma typ (numeriska, booleska, kategoriska, sträng, datum osv.) eller kan tvingas till samma typ.

Undantagsmeddelanden
Det går inte att härleda elementtypen för kolumnen.
Det går inte att härleda elementtypen för kolumnen "{0}" – alla element är null-referenser.
Det går inte att härleda elementtypen för kolumnen "{0}" i datauppsättningen –{1} alla element är null-referenser.

Fel 0045

Ett undantag inträffar när det inte går att skapa en kolumn på grund av blandade elementtyper i källan.

Det här felet i Machine Learning skapas när elementtyperna för två datauppsättningar som kombineras skiljer sig åt.

Upplösning: Se till att alla värden i en viss kolumn i båda datauppsättningarna som kombineras är av samma typ (numeriskt, booleskt, kategoriskt, sträng, datum osv.).

Undantagsmeddelanden
Det går inte att skapa en kolumn med blandade elementtyper.
Det går inte att skapa en kolumn med ID{0} för blandade elementtyper:\n\tType av data[{1}, {0}] är {2}\n\tType av data[{3}, {0}] är {4}.

Fel 0046

Ett undantag inträffar när det inte går att skapa en katalog på den angivna sökvägen.

Det här felet i Machine Learning inträffar när det inte går att skapa en katalog på den angivna sökvägen. Du får det här felet om någon del av sökvägen till utdatakatalogen för en Hive-fråga är felaktig eller otillgänglig.

Upplösning: Gå tillbaka till modulen och kontrollera att katalogsökvägen är korrekt formaterad och att den är tillgänglig med aktuella autentiseringsuppgifter.

Undantagsmeddelanden
Ange en giltig utdatakatalog.
Katalog: {0} kan inte skapas. Ange en giltig sökväg.

Fel 0047

Undantagsfel uppstår om antalet funktionskolumner i vissa av de datauppsättningar som skickas till modulen är för litet.

Det här felet i Machine Learning inträffar om indatauppsättningen till träningen inte innehåller det minsta antalet kolumner som krävs av algoritmen. Datauppsättningen är vanligtvis tom eller så innehåller den bara träningskolumner.

Upplösning: Gå tillbaka till indatauppsättningen för att se till att det finns en eller flera ytterligare kolumner förutom etikettkolumnen.

Undantagsmeddelanden
Antalet funktionskolumner i indatauppsättningen är mindre än tillåtet minimum.
Antalet funktionskolumner i indatauppsättningen är mindre än tillåtet minsta antal {0} kolumner.
Antalet funktionskolumner i indatauppsättningen är{0} mindre än tillåtet minsta antal {1} kolumner.

Fel 0048

Ett undantagsfel inträffar när det inte går att öppna en fil.

Det här felet i Machine Learning inträffar när det inte går att öppna en fil för läsning eller skrivning. Du kan få det här felet av följande skäl:

  • Containern eller filen (bloben) finns inte

  • Åtkomstnivån för filen eller containern tillåter inte att du kommer åt filen

  • Filen är för stor för att kunna läsas eller ha fel format

Upplösning: Gå tillbaka till modulen och filen som du försöker läsa.

Kontrollera att namnen på containern och filen är korrekta.

Använd den klassiska Azure-portalen eller ett Azure Storage-verktyg för att kontrollera att du har behörighet att komma åt filen.

Om du försöker läsa en bildfil kontrollerar du att den uppfyller kraven för bildfiler vad gäller storlek, antal bildpunkter och så vidare. Mer information finns i Importera avbildningar.

Undantagsmeddelanden
Det går inte att öppna en fil.
Ett fel uppstod när filen skulle öppnas: {0}.

Fel 0049

Ett undantag inträffar när det inte går att parsa en fil.

Det här felet i Machine Learning inträffar när det inte går att parsa en fil. Du får det här felet om filformatet som valts i modulen Importera data inte matchar det faktiska formatet för filen, eller om filen innehåller ett okänt tecken.

Upplösning: Gå tillbaka till modulen och korrigera valet av filformat om det inte matchar filens format. Om möjligt kontrollerar du filen för att bekräfta att den inte innehåller några ogiltiga tecken.

Undantagsmeddelanden
Det går inte att parsa en fil.
Fel vid parsning av filen: {0}.

Fel 0050

Ett undantag inträffar när indata- och utdatafilerna är desamma.

Upplösning: Det här felet i Machine Learning används inte och kommer att bli inaktuellt.

Undantagsmeddelanden
Angivna filer för indata och utdata kan inte vara desamma.

Fel 0051

Ett undantag inträffar när flera utdatafiler är desamma.

Upplösning: Det här felet i Machine Learning används inte och kommer att bli inaktuellt.

Undantagsmeddelanden
Angivna filer för utdata kan inte vara desamma.

Fel 0052

Ett undantag inträffar om Azure Storage-kontonyckeln har angetts felaktigt.

Det här felet i Machine Learning inträffar om nyckeln som används för att komma åt Azure Storage-kontot är felaktig. Du kan till exempel se det här felet om Azure Storage-nyckeln trunkerades när den kopierades och klistrades in, eller om fel nyckel användes.

Mer information om hur du hämtar nyckeln för ett Azure Storage-konto finns i Visa, kopiera och återskapa lagringsåtkomstnycklar.

Upplösning: Gå tillbaka till modulen och kontrollera att Azure-lagringsnyckeln är korrekt för kontot. kopiera nyckeln igen från den klassiska Azure-portalen om det behövs.

Undantagsmeddelanden
Azure Storage-kontonyckeln är felaktig.

Fel 0053

Ett undantag inträffar när det inte finns några användarfunktioner eller objekt för matchbox-rekommendationer.

Det här felet i Machine Learning genereras när det inte går att hitta en funktionsvektor.

Upplösning: Se till att det finns en funktionsvektor i indatauppsättningen.

Undantagsmeddelanden
Användarfunktioner eller/och objekt krävs men tillhandahålls inte.

Fel 0054

Ett undantag uppstår om det finns för få distinkta värden i kolumnen för att slutföra åtgärden.

Upplösning: Det här felet i Machine Learning används inte och kommer att bli inaktuellt.

Undantagsmeddelanden
Data har för få distinkta värden i den angivna kolumnen för att slutföra åtgärden.
Data har för få distinkta värden i den angivna kolumnen för att slutföra åtgärden. Det minsta som krävs är {0} element.
Data har för få distinkta värden i kolumnen "{1}" för att slutföra åtgärden. Det minsta som krävs är {0} element.

Fel 0055

Ett undantag uppstår när en inaktuell modul anropas.

Det här felet i Machine Learning visas om du försöker anropa en modul som har blivit inaktuell.

Lösning:

Undantagsmeddelanden
Åtkomst till den inaktuella modulen.
Modulen "{0}" är inaktuell.

Fel 0056

Ett undantag inträffar om de kolumner som du har valt för en åtgärd strider mot kraven.

Det här felet i Machine Learning inträffar när du väljer kolumner för en åtgärd som kräver att kolumnen har en viss datatyp.

Det här felet kan också inträffa om kolumnen är rätt datatyp, men modulen som du använder kräver att kolumnen också markeras som en funktion, etikett eller kategorisk kolumn.

Modulen Konvertera till indikatorvärden kräver till exempel att kolumnerna är kategoriska och genererar det här felet om du väljer en funktionskolumn eller etikettkolumn.

Lösning:

  1. Granska datatypen för de kolumner som är markerade för tillfället.

  2. Kontrollera om de valda kolumnerna är kategoriska kolumner, etikettkolumner eller funktionskolumner.

  3. Läs hjälpavsnittet för modulen där du gjorde kolumnvalet för att avgöra om det finns specifika krav för datatyp eller kolumnanvändning.

  4. Använd Redigera metadata för att ändra kolumntypen under hela åtgärden. Se till att ändra kolumntypen tillbaka till dess ursprungliga värde, med hjälp av en annan instans av Redigera metadata, om du behöver den för underordnade åtgärder.

Undantagsmeddelanden
En eller flera markerade kolumner fanns inte i en tillåten kategori.
Kolumnen med namnet "{0}" finns inte i en tillåten kategori.

Fel 0057

Ett undantagsfel uppstår vid försök att skapa en fil eller blob som redan finns.

Det här undantaget inträffar när du använder modulen Exportera data eller en annan modul för att spara resultatet av ett experiment i Machine Learning till Azure Blob Storage, men du försöker skapa en fil eller blob som redan finns.

Lösning:

Du får bara det här felet om du tidigare har angett egenskapen Azure Blob Storage-skrivläge till Fel. Den här modulen genererar avsiktligt ett fel om du försöker skriva en datauppsättning till en blob som redan finns.

  • Öppna modulegenskaperna och ändra egenskapen Skrivläge för Azure Blob Storage till Skriv över.
  • Du kan också skriva namnet på en annan målblob eller -fil och se till att ange en blob som inte redan finns.
Undantagsmeddelanden
Filen eller bloben finns redan.
Filen eller bloben finns{0} redan.

Fel 0058

Det här felet i Machine Learning inträffar om datauppsättningen inte innehåller den förväntade etikettkolumnen.

Det här undantaget kan också inträffa när den angivna etikettkolumnen inte matchar de data eller datatyper som förväntas av eleven eller har fel värden. Det här undantaget skapas till exempel när du använder en etikettkolumn med verkliga värden när du tränar en binär klassificerare.

Upplösning: Lösningen beror på vilken deltagare eller tränare du använder och datatyperna för kolumnerna i datauppsättningen. Kontrollera först kraven för maskininlärningsalgoritmen eller träningsmodulen.

Gå tillbaka till indatauppsättningen. Kontrollera att kolumnen som du förväntar dig ska behandlas eftersom etiketten har rätt datatyp för den modell som du skapar.

Kontrollera saknade värden i indata och ta bort eller ersätt dem om det behövs.

Om det behövs lägger du till modulen Redigera metadata och ser till att etikettkolumnen är markerad som en etikett.

Undantagsmeddelanden
Etikettkolumnen är inte som förväntat
Etikettkolumnen är inte som förväntat i "{0}".
Etikettkolumnen "{0}" förväntas inte i "{1}".

Fel 0059

Ett undantag uppstår om ett kolumnindex som anges i en kolumnväljare inte kan parsas.

Det här felet i Machine Learning inträffar om ett kolumnindex som anges när du använder kolumnväljaren inte kan parsas. Du får det här felet när kolumnindexet har ett ogiltigt format som inte kan parsas.

Upplösning: Ändra kolumnindexet så att det använder ett giltigt indexvärde.

Undantagsmeddelanden
Det gick inte att parsa ett eller flera angivna kolumnindex eller indexintervall.
Det gick inte att parsa kolumnindex eller kolumnintervall{0}.

Fel 0060

Ett undantag inträffar när ett kolumnintervall som ligger utom intervallet anges i en kolumnväljare.

Det här felet i Machine Learning inträffar när ett kolumnintervall som ligger utom intervallet anges i kolumnväljaren. Du får det här felet om kolumnintervallet i kolumnväljaren inte motsvarar kolumnerna i datauppsättningen.

Upplösning: Ändra kolumnintervallet i kolumnväljaren så att det motsvarar kolumnerna i datauppsättningen.

Undantagsmeddelanden
Ogiltigt eller intervall för kolumnindex som angetts.
Kolumnintervallet är{0} ogiltigt eller ligger inte inom intervallet.

Fel 0061

Ett undantagsfel uppstår när du försöker lägga till en rad i en DataTable som har ett annat antal kolumner än tabellen.

Det här felet i Machine Learning inträffar när du försöker lägga till en rad i en datauppsättning som har ett annat antal kolumner än datauppsättningen. Du får det här felet om raden som läggs till i datauppsättningen har ett annat antal kolumner än indatauppsättningen. Det går inte att bifoga raden i datauppsättningen om antalet kolumner är annorlunda.

Upplösning: Ändra indatauppsättningen så att den har samma antal kolumner som den tillagda raden, eller ändra raden som läggs till så att den har samma antal kolumner som datauppsättningen.

Undantagsmeddelanden
Alla tabeller måste ha samma antal kolumner.

Fel 0062

Ett undantag uppstår vid försök att jämföra två modeller med olika inlärningstyper.

Det här felet i Machine Learning genereras när utvärderingsmått för två olika poängsatta datauppsättningar inte kan jämföras. I det här fallet är det inte möjligt att jämföra effektiviteten hos de modeller som används för att producera de två poängsatta datauppsättningarna.

Upplösning: Kontrollera att de poängsatta resultaten produceras av samma typ av maskininlärningsmodell (binär klassificering, regression, klassificering med flera klasser, rekommendation, klustring, avvikelseidentifiering osv.) Alla modeller som du jämför måste ha samma typ av elev.

Undantagsmeddelanden
Alla modeller måste ha samma typ av elev.

Fel 0063

Det här undantaget utlöses när R-skriptutvärderingen misslyckas med ett fel.

Det här felet uppstår när du har angett ett R-skript i någon av R-språkmodulerna i Machine Learning och R-koden innehåller interna syntaxfel. Undantaget kan också inträffa om du anger fel indata till R-skriptet.

Felet kan också inträffa om skriptet är för stort för att köras på arbetsytan. Den maximala skriptstorleken för modulen Kör R-skript är 1 000 rader eller 32 KB arbetsyta, beroende på vilket som är mindre.

Lösning:

  1. I Machine Learning Studio (klassisk) högerklickar du på den modul som innehåller felet och väljer Visa logg.
  2. Granska standardfelloggen för modulen, som innehåller stackspårningen.
    • Rader som börjar med [ModuleOutput] anger utdata från R.
    • Meddelanden från R som markerats som varningar leder vanligtvis inte till att experimentet misslyckas.
  3. Lösa problem med skript.
    • Sök efter R-syntaxfel. Sök efter variabler som har definierats men aldrig fyllts i.
    • Granska indata och skriptet för att avgöra om antingen data eller variabler i skriptet använder tecken som inte stöds av Machine Learning.
    • Kontrollera om alla paketberoenden är installerade.
    • Kontrollera om koden läser in nödvändiga bibliotek som inte läses in som standard.
    • Kontrollera om de nödvändiga paketen har rätt version.
    • Kontrollera att alla datauppsättningar som du vill mata ut konverteras till en dataram.
  4. Skicka experimentet igen.

Anteckning

De här avsnitten innehåller exempel på R-kod som du kan använda, samt länkar till experiment i Cortana Intelligence Gallery som använder R-skript.

Undantagsmeddelanden
Fel vid utvärdering av R-skript.
Följande fel uppstod under utvärderingen av R-skriptet: ---------- Felmeddelandets start från R ---------- {0} ----------- felmeddelandets slut från R -----------
Under utvärderingen av R-skriptet "{1}" uppstod följande fel: ---------- Felmeddelandets start från R ---------- {0} ----------- felmeddelandets slut från R -----------

Fel 0064

Ett undantag inträffar om namnet på Azure-lagringskontot eller lagringsnyckeln har angetts felaktigt.

Det här felet i Machine Learning inträffar om Namnet på Azure-lagringskontot eller lagringsnyckeln har angetts felaktigt. Du får det här felet om du anger ett felaktigt kontonamn eller lösenord för lagringskontot. Detta kan inträffa om du anger kontonamnet eller lösenordet manuellt. Det kan också inträffa om kontot har tagits bort.

Upplösning: Kontrollera att kontonamnet och lösenordet har angetts korrekt och att kontot finns.

Undantagsmeddelanden
Namnet på Azure-lagringskontot eller lagringsnyckeln är felaktigt.
Namnet på Azure-lagringskontot eller{0} lagringsnyckeln för kontonamnet är felaktigt.

Fel 0065

Ett undantag inträffar om Azure-blobnamnet har angetts felaktigt.

Det här felet i Machine Learning inträffar om Azure-blobnamnet har angetts felaktigt. Du får felmeddelandet om:

  • Det går inte att hitta bloben i den angivna containern.

  • Det fullständigt kvalificerade namnet på den blob som angetts för utdata i en av Learning med Counts-moduler är större än 512 tecken.

  • Endast containern angavs som källa i en importdatabegäran när formatet var Excel eller CSV med kodning. Sammanfogning av innehållet i alla blobar i en container tillåts inte med dessa format.

  • En SAS-URI innehåller inte namnet på en giltig blob.

Upplösning: Gå tillbaka till modulen som utlöser undantaget. Kontrollera att den angivna bloben finns i containern på lagringskontot och att behörigheterna gör att du kan se bloben. Kontrollera att indata är av formatet containername/filename om du har Excel eller CSV med kodningsformat. Kontrollera att en SAS-URI innehåller namnet på en giltig blob.

Undantagsmeddelanden
Azure Storage-bloben är felaktig.
Blobnamnet för{0} Azure Storage är felaktigt

Fel 0066

Ett undantag uppstår om en resurs inte kunde laddas upp till en Azure-blob.

Det här felet i Machine Learning inträffar om en resurs inte kunde laddas upp till en Azure-blob. Du får det här meddelandet om Train Vowpal Wabbit 7-4 Model påträffar ett fel vid försök att spara antingen modellen eller hashen som skapades när modellen tränades. Båda sparas på samma Azure-lagringskonto som kontot som innehåller indatafilen.

Upplösning: Gå tillbaka till modulen. Kontrollera att Azure-kontonamnet, lagringsnyckeln och containern är korrekta och att kontot har behörighet att skriva till containern.

Undantagsmeddelanden
Det gick inte att ladda upp resursen till Azure Storage.
Det gick inte att ladda upp filen{0} till Azure Storage som {1}.

Fel 0067

Ett undantag inträffar om en datauppsättning har ett annat antal kolumner än förväntat.

Det här felet i Machine Learning inträffar om en datauppsättning har ett annat antal kolumner än förväntat. Du får det här felet när antalet kolumner i datauppsättningen skiljer sig från antalet kolumner som modulen förväntar sig under körningen.

Upplösning: Ändra indatauppsättningen eller parametrarna.

Undantagsmeddelanden
Oväntat antal kolumner i datatabellen.
Förväntade "{0}" kolumner men hittade "{1}" kolumner i stället.

Fel 0068

Ett undantag inträffar om det angivna Hive-skriptet inte är korrekt.

Det här felet i Machine Learning inträffar om det finns syntaxfel i ett Hive QL-skript, eller om Hive-tolken stöter på ett fel när frågan eller skriptet körs.

Lösning:

Felmeddelandet från Hive rapporteras normalt tillbaka i felloggen så att du kan vidta åtgärder baserat på det specifika felet.

  • Öppna modulen och kontrollera om det finns misstag i frågan.
  • Kontrollera att frågan fungerar korrekt utanför Machine Learning genom att logga in på Hive-konsolen i Hadoop-klustret och köra frågan.
  • Försök att placera kommentarer i Hive-skriptet på en separat rad i stället för att blanda körbara instruktioner och kommentarer på en enda rad.

Resurser

Se följande artiklar om du vill ha hjälp med Hive-frågor för maskininlärning:

Undantagsmeddelanden
Hive-skriptet är felaktigt.
Hive-skriptet {0} är inte korrekt.

Fel 0069

Ett undantagsfel uppstår om det angivna SQL skriptet inte är korrekt.

Det här felet i Machine Learning inträffar om det angivna SQL skriptet har syntaxproblem eller om kolumnerna eller tabellen som anges i skriptet inte är giltiga.

Du får det här felet om SQL motor stöter på fel när frågan eller skriptet körs. Felmeddelandet SQL rapporteras normalt tillbaka i felloggen så att du kan vidta åtgärder baserat på det specifika felet.

Upplösning: Gå tillbaka till modulen och kontrollera SQL fråga efter misstag.

Kontrollera att frågan fungerar korrekt utanför Azure ML genom att logga in på databasservern direkt och köra frågan.

Om det finns ett SQL genererat meddelande som rapporterats av modulfelet kan du vidta åtgärder baserat på det rapporterade felet. Felmeddelandena innehåller till exempel ibland specifik vägledning om det troliga felet:

  • Ingen sådan kolumn eller databas saknas, vilket indikerar att du kanske har skrivit ett kolumnnamn fel. Om du är säker på att kolumnnamnet är korrekt kan du prova att använda hakparenteser eller citattecken för att omge kolumnidentifieraren.
  • SQL logikfel nära <SQL nyckelord>, vilket indikerar att du kan ha ett syntaxfel före det angivna nyckelordet
Undantagsmeddelanden
SQL skriptet är felaktigt.
SQL frågan "{0}" är inte korrekt.
SQL frågan "{0}" är inte korrekt:{1}

Fel 0070

Ett undantagsfel uppstår vid försök att komma åt en obefintlig Azure-tabell.

Det här felet i Machine Learning inträffar när du försöker komma åt en obefintlig Azure-tabell. Du får det här felet om du anger en tabell i Azure Storage, som inte finns när du läser från eller skriver till Azure Table Storage. Detta kan inträffa om du skriver fel namn på den önskade tabellen eller om du har ett matchningsfel mellan målnamnet och lagringstypen. Du tänkte till exempel läsa från en tabell men angav namnet på en blob i stället.

Upplösning: Gå tillbaka till modulen för att kontrollera att namnet på tabellen är korrekt.

Undantagsmeddelanden
Azure-tabellen finns inte.
Azure-tabellen finns{0} inte.

Fel 0071

Undantagsfel uppstår om angivna autentiseringsuppgifter är felaktiga.

Det här felet i Machine Learning inträffar om de angivna autentiseringsuppgifterna är felaktiga.

Du kan också få det här felet om modulen inte kan ansluta till ett HDInsight-kluster.

Upplösning: Granska indata till modulen och verifiera kontonamnet och lösenordet.

Sök efter följande problem som kan orsaka ett fel:

  • Schemat för datauppsättningen matchar inte schemat för måldatatabellen.

  • Kolumnnamn saknas eller är felstavade

  • Du skriver till en tabell som har kolumnnamn med ogiltiga tecken. Normalt kan du omge sådana kolumnnamn inom hakparenteser, men om det inte fungerar redigerar du kolumnnamn så att de endast använder bokstäver och understreck (_)

  • Strängar som du försöker skriva innehåller enkla citattecken

Om du försöker ansluta till ett HDInsight-kluster kontrollerar du att målklustret är tillgängligt med de angivna autentiseringsuppgifterna.

Undantagsmeddelanden
Felaktiga autentiseringsuppgifter skickas.
Felaktigt användarnamn eller{0} lösenord skickas

Fel 0072

Ett undantag inträffar vid tidsgräns för anslutning.

Det här felet i Machine Learning inträffar när en anslutning överskrider tidsgränsen. Du får det här felet om det för närvarande finns anslutningsproblem med datakällan eller målet, till exempel långsam Internetanslutning, eller om datauppsättningen är stor och/eller SQL fråga som ska läsas i data utför komplicerad bearbetning.

Upplösning: Ta reda på om det för närvarande finns problem med långsamma anslutningar till Azure Storage eller Internet.

Undantagsmeddelanden
Tidsgränsen för anslutningen uppnåddes.

Fel 0073

Ett undantag uppstår om ett fel inträffar när en kolumn konverteras till en annan typ.

Det här felet i Machine Learning inträffar när det inte går att konvertera kolumnen till en annan typ. Du får det här felet om en modul kräver en viss typ och det inte går att konvertera kolumnen till den nya typen.

Upplösning: Ändra indatauppsättningen så att kolumnen kan konverteras baserat på det inre undantaget.

Undantagsmeddelanden
Det gick inte att konvertera kolumnen.
Det gick inte att konvertera kolumnen till {0}.

Fel 0074

Ett undantag inträffar när Redigera metadata försöker konvertera en gles kolumn till kategorisk.

Det här felet i Machine Learning inträffar när Redigera metadata försöker konvertera en gles kolumn till kategorisk. Du får det här felet när du försöker konvertera glesa kolumner till kategoriska med alternativet Skapa kategorisk . Machine Learning stöder inte glesa kategoriska matriser, så modulen misslyckas.

Upplösning: Gör kolumnen tät genom att använda Konvertera till datauppsättning först eller konvertera inte kolumnen till kategorisk.

Undantagsmeddelanden
Det går inte att konvertera glesa kolumner till kategoriska kolumner.

Fel 0075

Ett undantag inträffar när en ogiltig binningsfunktion används vid kvantisering av en datauppsättning.

Det här felet i Machine Learning inträffar när du försöker gruppera data med en metod som inte stöds eller när parameterkombinationerna är ogiltiga.

Lösning:

Felhantering för den här händelsen introducerades i en tidigare version av Machine Learning som möjliggjorde mer anpassning av metoder för diskretisering. För närvarande baseras alla metoder för diskretisering på ett val från en listruta, så tekniskt sett bör det inte längre vara möjligt att få det här felet.

Om du får det här felet när du använder modulen Gruppera data i intervall kan du rapportera problemet i Machine Learning-forumet, ange datatyper, parameterinställningar och det exakta felmeddelandet.

Undantagsmeddelanden
Ogiltig diskretiseringsfunktion används.

Fel 0077

Ett undantag inträffar när okänt läge för skrivningar av blobfiler skickas.

Det här felet i Machine Learning inträffar om ett ogiltigt argument skickas i specifikationerna för en blobfils mål eller källa.

Upplösning: I nästan alla moduler som importerar eller exporterar data till och från Azure Blob Storage tilldelas parametervärden som styr skrivläget med hjälp av en listruta. Därför går det inte att skicka ett ogiltigt värde och det här felet bör inte visas. Det här felet kommer att bli inaktuellt i en senare version.

Undantagsmeddelanden
Blobskrivningsläget stöds inte.
Blobskrivningsläge som inte stöds: {0}.

Fel 0078

Ett undantag inträffar när HTTP-alternativet för Import Data tar emot en 3xx-statuskod som anger omdirigering.

Det här felet i Machine Learning inträffar när HTTP-alternativet för Importera data tar emot statuskoden 3xx (301, 302, 304 osv.) som anger omdirigering. Du får det här felet om du försöker ansluta till en HTTP-källa som omdirigerar webbläsaren till en annan sida. Av säkerhetsskäl tillåts inte omdirigering av webbplatser som datakällor för Machine Learning.

Upplösning: Om webbplatsen är en betrodd webbplats anger du den omdirigerade URL:en direkt.

Undantagsmeddelanden
Http-omdirigering tillåts inte

Fel 0079

Ett undantag inträffar om azure storage-containernamnet har angetts felaktigt.

Det här felet i Machine Learning inträffar om namnet på Azure Storage-containern har angetts felaktigt. Du får det här felet om du inte har angett både containern och blobnamnet (filen) med alternativet Sökväg till blob som börjar med containern när du skriver till Azure Blob Storage.

Upplösning: Gå tillbaka till modulen Exportera data och kontrollera att den angivna sökvägen till bloben innehåller både containern och filnamnet, i formatet container/filnamn.

Undantagsmeddelanden
Namnet på Azure Storage-containern är felaktigt.
Namnet på Azure Storage-containern{0} är felaktigt. Ett containernamn för formatet container/blob förväntades.

Fel 0080

Ett undantag inträffar när kolumnen med alla värden som saknas inte tillåts av modulen.

Det här felet i Machine Learning genereras när en eller flera av kolumnerna som används av modulen innehåller alla saknade värden. Om en modul till exempel beräknar sammanställd statistik för varje kolumn kan den inte användas på en kolumn som inte innehåller några data. I sådana fall stoppas modulkörningen med det här undantaget.

Upplösning: Gå tillbaka till indatauppsättningen och ta bort alla kolumner som innehåller alla saknade värden.

Undantagsmeddelanden
Kolumner med alla värden som saknas tillåts inte.
Alla värden saknas i kolumnen {0} .

Fel 0081

Undantagsfel inträffar i PCA-modulen om antalet dimensioner som ska minskas till är lika med antalet funktionskolumner i indatauppsättningen, som innehåller minst en gles funktionskolumn.

Det här felet i Machine Learning genereras om följande villkor är uppfyllda: (a) indatauppsättningen har minst en gles kolumn och (b) det slutliga antalet dimensioner som begärs är detsamma som antalet indatadimensioner.

Upplösning: Överväg att minska antalet dimensioner i utdata till färre än antalet dimensioner i indata. Detta är typiskt för pca-program. Mer information finns i Analys av huvudkomponent.

Undantagsmeddelanden
För datamängd som innehåller glesa funktionskolumner ska antalet dimensioner som ska minskas vara mindre än antalet funktionskolumner.

Fel 0082

Ett undantag inträffar när en modell inte kan deserialiseras.

Det här felet i Machine Learning inträffar när en sparad maskininlärningsmodell eller transformering inte kan läsas in av en nyare version av Machine Learning-körningen på grund av en icke-bakåtkompatibel ändring.

Upplösning: Träningsexperimentet som skapade modellen eller transformeringen måste köras igen och modellen eller transformeringen måste sparas om.

Undantagsmeddelanden
Det gick inte att deserialisera modellen eftersom den troligen serialiseras med ett äldre serialiseringsformat. Träna om och omskapa modellen.

Fel 0083

Ett undantag inträffar om datauppsättningen som används för träning inte kan användas för konkret typ av learner.

Det här felet i Machine Learning genereras när datauppsättningen inte är kompatibel med den elev som tränas. Datauppsättningen kan till exempel innehålla minst ett värde som saknas på varje rad, och därför hoppas hela datauppsättningen över under träningen. I andra fall förväntar sig inte vissa maskininlärningsalgoritmer som avvikelseidentifiering att etiketter ska finnas och kan utlösa det här undantaget om etiketter finns i datauppsättningen.

Upplösning: Läs dokumentationen för den deltagare som används för att kontrollera kraven för indatamängden. Granska kolumnerna för att se att alla obligatoriska kolumner finns.

Undantagsmeddelanden
Datauppsättningen som används för träning är ogiltig.
{0} innehåller ogiltiga data för träning.
{0} innehåller ogiltiga data för träning. Learner-typ: {1}.

Fel 0084

Ett undantag inträffar när poäng som genereras från ett R-skript utvärderas. Detta stöds för närvarande inte.

Det här felet i Machine Learning inträffar om du försöker använda en av modulerna för att utvärdera en modell med utdata från ett R-skript som innehåller poäng.

Lösning:

Undantagsmeddelanden
Utvärdering av poäng som produceras av R stöds för närvarande inte.

Fel 0085

Ett undantag uppstår när skriptutvärderingen misslyckas med ett fel.

Det här felet i Machine Learning inträffar när du kör ett anpassat skript som innehåller syntaxfel.

Upplösning: Granska koden i en extern redigerare och sök efter fel.

Undantagsmeddelanden
Fel vid utvärdering av skriptet.
Följande fel uppstod under skriptutvärderingen. Mer information finns i utdataloggen: ---------- Felmeddelandets start från {0} tolken ---------- {1} ---------- felmeddelandets slut från {0} tolken ----------

Fel 0086

Ett undantag inträffar när en inventeringstransformering är ogiltig.

Det här felet i Machine Learning inträffar när du väljer en transformering baserat på en antalstabell, men den valda transformeringen inte är kompatibel med aktuella data eller med den nya antalstabellen.

Upplösning: Modulen har stöd för att spara antalet och reglerna som utgör omvandlingen i två olika format. Om du sammanfogar antal tabeller kontrollerar du att båda tabellerna som du tänker sammanfoga använder samma format.

I allmänhet kan en count-baserad transformering endast tillämpas på datauppsättningar som har samma schema som datauppsättningen som transformen ursprungligen skapades på.

Allmän information finns i Learning med antal. Krav som är specifika för att skapa och slå samman antalsbaserade funktioner finns i följande avsnitt:

Undantagsmeddelanden
Ogiltig inventeringstransformering har angetts.
Inventeringstransformen vid indataporten{0} är ogiltig.
Inventeringstransformationen vid indataporten{0} kan inte sammanfogas med inventeringstransformationen vid indataporten .{1} Kontrollera de metadata som används för att räkna matchningar.

Fel 0087

Ett undantag inträffar när en tabelltyp för ogiltigt antal anges för inlärning med antal moduler.

Det här felet i Machine Learning inträffar när du försöker importera en befintlig antalstabell, men tabellen är inte kompatibel med aktuella data eller med den nya antalstabellen.

Upplösning: Det finns olika format för att spara antalet och reglerna som utgör omvandlingen. Om du sammanfogar antal tabeller kontrollerar du att båda har samma format.

I allmänhet kan en count-baserad transformering endast tillämpas på datauppsättningar som har samma schema som den datauppsättning som transformen ursprungligen skapades på.

Allmän information finns i Learning med antal. Krav som är specifika för att skapa och slå samman antalsbaserade funktioner finns i följande avsnitt:

Fel 0088

Ett undantag inträffar när en ogiltig räkningstyp har angetts för inlärning med antal moduler.

Det här felet i Machine Learning inträffar när du försöker använda en annan räkningsmetod än vad som stöds för antalsbaserad funktionalisering.

Upplösning: I allmänhet väljs räkningsmetoder från en listruta, så du bör inte se det här felet.

Allmän information finns i Learning med antal. Krav som är specifika för att skapa och slå samman antalsbaserade funktioner finns i följande avsnitt:

Undantagsmeddelanden
Ogiltig räkningstyp har angetts.
Den angivna räkningstypen är{0} inte en giltig räkningstyp.

Fel 0089

Undantag inträffar när det angivna antalet klasser är mindre än det faktiska antalet klasser i en datauppsättning som används för att räkna.

Det här felet i Machine Learning inträffar när du skapar en antalstabell och etikettkolumnen innehåller ett annat antal klasser än du angav i modulparametrarna.

Upplösning: Kontrollera din datauppsättning och ta reda på exakt hur många distinkta värden (möjliga klasser) som finns i etikettkolumnen. När du skapar tabellen count måste du ange minst det här antalet klasser.

Tabellen count kan inte automatiskt fastställa antalet tillgängliga klasser.

När du skapar tabellen count kan du inte ange 0 eller ett tal som är mindre än det faktiska antalet klasser i etikettkolumnen.

Undantagsmeddelanden
Antalet klasser är felaktigt. Kontrollera att antalet klasser som du anger i parameterfönstret är större än eller lika med antalet klasser i etikettkolumnen.
Antalet angivna klasser är "{0}", vilket inte är större än ett etikettvärde{1} i den datamängd som används för att räkna. Kontrollera att antalet klasser som du anger i parameterfönstret är större än eller lika med antalet klasser i etikettkolumnen.

Fel 0090

Ett undantag inträffar när det inte går att skapa Hive-tabellen.

Det här felet i Machine Learning inträffar när du använder Exportera data eller ett annat alternativ för att spara data i ett HDInsight-kluster och den angivna Hive-tabellen inte kan skapas.

Upplösning: Kontrollera namnet på azure-lagringskontot som är associerat med klustret och kontrollera att du använder samma konto i modulegenskaperna.

Undantagsmeddelanden
Det gick inte att skapa Hive-tabellen. För ett HDInsight-kluster kontrollerar du att namnet på Azure-lagringskontot som är associerat med klustret är detsamma som det som skickas via modulparametern.
Det gick inte att skapa Hive-tabellen{0}. För ett HDInsight-kluster kontrollerar du att namnet på Azure-lagringskontot som är associerat med klustret är detsamma som det som skickas via modulparametern.
Det gick inte att skapa Hive-tabellen{0}. För ett HDInsight-kluster kontrollerar du att namnet på Azure-lagringskontot som är associerat med klustret är "{1}".

Fel 0100

Ett undantag inträffar när ett språk som inte stöds anges för en anpassad modul.

Det här felet i Machine Learning inträffar när du skapar en anpassad modul och namnegenskapen för elementet Language i en xml-definitionsfil för anpassad modul har ett ogiltigt värde. För närvarande är Rdet enda giltiga värdet för den här egenskapen . Ett exempel:

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

Upplösning: Kontrollera att namnegenskapen för language-elementet i xml-definitionsfilen för den anpassade modulen är inställd på R. Spara filen, uppdatera zip-paketet för den anpassade modulen och försök lägga till den anpassade modulen igen.

Undantagsmeddelanden
Anpassat modulspråk som inte stöds har angetts

Fel 0101

Alla port- och parameter-ID:t måste vara unika.

Det här felet i Machine Learning inträffar när en eller flera portar eller parametrar tilldelas samma ID-värde i en XML-definitionsfil för anpassad modul.

Upplösning: Kontrollera att ID-värdena för alla portar och parametrar är unika. Spara XML-filen, uppdatera zip-paketet för den anpassade modulen och försök lägga till den anpassade modulen igen.

Undantagsmeddelanden
Alla port- och parameter-ID:t för en modul måste vara unika
Modulen har{0} dubbla port-/argument-ID:t. Alla port-/argument-ID:t måste vara unika för en modul.

Fel 0102

Utlöses när en ZIP-fil inte kan extraheras.

Det här felet i Machine Learning inträffar när du importerar ett zippat paket med .zip-tillägget, men paketet är antingen inte en zip-fil eller så använder filen inte ett zip-format som stöds.

Upplösning: Kontrollera att den valda filen är en giltig .zip fil och att den komprimerades med hjälp av någon av komprimeringsalgoritmerna som stöds.

Om du får det här felet när du importerar datauppsättningar i komprimerat format kontrollerar du att alla inneslutna filer använder något av de filformat som stöds och är i Unicode-format. Mer information finns i Packa upp zippade datauppsättningar.

Prova att läsa de önskade filerna till en ny komprimerad zippad mapp och försök lägga till den anpassade modulen igen.

Undantagsmeddelanden
Angiven ZIP-fil har inte rätt format

Fel 0103

Utlöses när en ZIP-fil inte innehåller några .xml filer

Det här felet i Machine Learning inträffar när zip-paketet för den anpassade modulen inte innehåller några moduldefinitionsfiler (.xml). De här filerna måste finnas i zip-paketets rot (till exempel inte i en undermapp.)

Upplösning: Kontrollera att en eller flera XML-moduldefinitionsfiler finns i zip-paketets rotmapp genom att extrahera den till en tillfällig mapp på diskenheten. Alla XML-filer ska finnas direkt i mappen som du extraherade zip-paketet till. Se till att när du skapar zip-paketet att du inte väljer en mapp som innehåller XML-filer att zip eftersom detta skapar en undermapp i zip-paketet med samma namn som den mapp som du valde att zip.

Undantagsmeddelanden
Angiven ZIP-fil innehåller inga moduldefinitionsfiler (.xml filer)

Fel 0104

Utlöses när en moduldefinitionsfil refererar till ett skript som inte kan hittas

Det här felet i Machine Learning utlöses när en XML-definitionsfil för anpassad modul refererar till en skriptfil i språkelementet som inte finns i zip-paketet. Skriptfilens sökväg definieras i egenskapen sourceFile för language-elementet . Sökvägen till källfilen är relativ till zip-paketets rot (samma plats som xml-definitionsfilerna för modulen). Om skriptfilen finns i en undermapp måste den relativa sökvägen till skriptfilen anges. Om alla skript till exempel lagras i en myScripts-mapp i zip-paketet måste språkelementet lägga till den här sökvägen till egenskapen sourceFile enligt nedan. Ett exempel:

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

Upplösning: Kontrollera att värdet för egenskapen sourceFile i language-elementet i xml-definitionen för den anpassade modulen är korrekt och att källfilen finns i rätt relativ sökväg i zip-paketet.

Undantagsmeddelanden
Den refererade R-skriptfilen finns inte.
Det går inte att hitta den refererade R-skriptfilen{0} . Kontrollera att den relativa sökvägen till filen är korrekt från definitionsplatsen.

Fel 0105

Det här felet visas när en moduldefinitionsfil innehåller en parametertyp som inte stöds

Det här felet i Machine Learning skapas när du skapar en XML-definition för anpassad modul och typen av en parameter eller ett argument i definitionen inte matchar en typ som stöds.

Upplösning: Kontrollera att typegenskapen för alla Arg-element i xml-definitionsfilen för den anpassade modulen är en typ som stöds.

Undantagsmeddelanden
Parametertypen stöds inte.
Parametertypen "{0}" som inte stöds har angetts.

Fel 0106

Utlöses när en moduldefinitionsfil definierar en indatatyp som inte stöds

Det här felet i Machine Learning genereras när typen av indataport i en anpassad modul-XML-definition inte matchar en typ som stöds.

Upplösning: Kontrollera att typegenskapen för ett indataelement i XML-definitionsfilen för den anpassade modulen är en typ som stöds.

Undantagsmeddelanden
Indatatypen stöds inte.
Indatatypen "{0}" som inte stöds har angetts.

Fel 0107

Genereras när en moduldefinitionsfil definierar en utdatatyp som inte stöds

Det här felet i Machine Learning genereras när typen av utdataport i en xml-definition för anpassad modul inte matchar en typ som stöds.

Upplösning: Kontrollera att typegenskapen för ett Output-element i xml-definitionsfilen för den anpassade modulen är en typ som stöds.

Undantagsmeddelanden
Utdatatypen stöds inte.
Utdatatypen "{0}" som inte stöds har angetts.

Fel 0108

Genereras när en moduldefinitionsfil definierar fler indata- eller utdataportar än vad som stöds

Det här felet i Machine Learning genereras när för många indata- eller utdataportar definieras i en xml-definition för anpassad modul.

Upplösning: Ser till att det maximala antalet indata- och utdataportar som definierats i XML-definitionen för den anpassade modulen inte överskrider det maximala antalet portar som stöds.

Undantagsmeddelanden
Överskred det antal indata- eller utdataportar som stöds.
Överskred antalet portar{0} som stöds. Det högsta tillåtna antalet portar{0} är .{1}

Fel 0109

Genereras när en moduldefinitionsfil definierar en kolumnväljare felaktigt

Det här felet i Machine Learning genereras när syntaxen för ett kolumnväljarargument innehåller ett fel i en xml-definition för anpassad modul.

Upplösning: Det här felet uppstår när syntaxen för ett kolumnväljarargument innehåller ett fel i en XML-definition för anpassad modul.

Undantagsmeddelanden
Syntax som inte stöds för kolumnväljaren.

Fel 0110

Genereras när en moduldefinitionsfil definierar en kolumnväljare som refererar till ett indataport-ID som inte finns

Det här felet i Machine Learning genereras när egenskapen portId i elementet Egenskaper för en Arg av typen ColumnPicker inte matchar ID-värdet för en indataport.

Upplösning: Kontrollera att egenskapen portId matchar ID-värdet för en indataport som definierats i xml-definitionen för den anpassade modulen.

Undantagsmeddelanden
Kolumnväljaren refererar till ett port-ID för indata som inte finns.
Kolumnväljaren refererar till ett port-ID{0} för indata som inte finns.

Fel 0111

Genereras när en moduldefinitionsfil definierar en ogiltig egenskap

Det här felet i Machine Learning genereras när en ogiltig egenskap tilldelas till ett element i XML-definitionen för den anpassade modulen.

Upplösning: Kontrollera att egenskapen stöds av det anpassade modulelementet.

Undantagsmeddelanden
Egenskapsdefinitionen är ogiltig.
Egenskapsdefinitionen är{0} ogiltig.

Fel 0112

Genereras när en moduldefinitionsfil inte kan parsas

Det här felet i Machine Learning genereras när det finns ett fel i XML-format som förhindrar att XML-definitionen för den anpassade modulen parsas som en giltig XML-fil.

Upplösning: Se till att varje element öppnas och stängs korrekt. Kontrollera att det inte finns några fel i XML-formateringen.

Undantagsmeddelanden
Det går inte att parsa moduldefinitionsfilen.
Det går inte att parsa moduldefinitionsfilen .{0}

Fel 0113

Genereras när en moduldefinitionsfil innehåller fel.

Det här felet i Machine Learning skapas när XML-definitionsfilen för den anpassade modulen kan parsas men innehåller fel, till exempel definition av element som inte stöds av anpassade moduler.

Upplösning: Kontrollera att definitionsfilen för den anpassade modulen definierar element och egenskaper som stöds av anpassade moduler.

Undantagsmeddelanden
Moduldefinitionsfilen innehåller fel.
Moduldefinitionsfilen innehåller{0} fel.
Moduldefinitionsfilen innehåller{0} fel. {1}

Fel 0114

Genereras när det inte går att skapa en anpassad modul.

Det här felet i Machine Learning skapas när en anpassad modulversion misslyckas. Detta inträffar när ett eller flera anpassade modulrelaterade fel påträffas när den anpassade modulen läggs till. De ytterligare felen rapporteras i det här felmeddelandet.

Upplösning: Lös felen som rapporteras i det här undantagsmeddelandet.

Undantagsmeddelanden
Det gick inte att skapa en anpassad modul.
Anpassade modulversioner misslyckades med fel: {0}

Fel 0115

Genereras när ett standardskript för en anpassad modul har ett tillägg som inte stöds.

Det här felet i Machine Learning inträffar när du anger ett skript för en anpassad modul som använder ett okänt filnamnstillägg.

Upplösning: Kontrollera filformatet och filnamnstillägget för alla skriptfiler som ingår i den anpassade modulen.

Undantagsmeddelanden
Utrymme som inte stöds för standardskript.
Filutbredning {0} som inte stöds för standardskript.

Fel 0121

Genereras när SQL skrivningar misslyckas eftersom tabellen inte kan skrivas ut

Det här felet i Machine Learning genereras när du använder modulen Exportera data för att spara resultat i en tabell i en SQL databas och tabellen inte kan skrivas till. Vanligtvis visas det här felet om modulen Exportera data upprättar en anslutning till SQL Server-instansen, men sedan inte kan skriva innehållet i Azure ML-datauppsättningen till tabellen.

Lösning:

  • Öppna fönstret Egenskaper i modulen Exportera data och kontrollera att databas- och tabellnamnen har angetts korrekt.
  • Granska schemat för den datauppsättning som du exporterar och kontrollera att data är kompatibla med måltabellen.
  • Kontrollera att SQL inloggning som är associerad med användarnamnet och lösenordet har behörighet att skriva till tabellen.
  • Om undantaget innehåller ytterligare felinformation från SQL Server använder du den informationen för att göra korrigeringar.
Undantagsmeddelanden
Ansluten till servern, det går inte att skriva till tabellen.
Det går inte att skriva till Sql-tabellen: {0}

Fel 0122

Ett undantag inträffar om flera viktkolumner har angetts och bara en tillåts.

Det här felet i Machine Learning inträffar när för många kolumner har valts som viktkolumner.

Upplösning: Granska indatauppsättningen och dess metadata. Se till att endast en kolumn innehåller vikter.

Undantagsmeddelanden
Flera viktkolumner anges.

Fel 0123

Ett undantag inträffar om kolumnen med vektorer har angetts till kolumnen Etikett.

Det här felet i Machine Learning inträffar om du använder en vektor som etikettkolumn.

Upplösning: Ändra dataformatet för kolumnen om det behövs eller välj en annan kolumn.

Undantagsmeddelanden
Kolumn med vektorer anges som etikettkolumn.

Fel 0124

Ett undantag inträffar om icke-numeriska kolumner har angetts som viktkolumn.

Lösning:

Undantagsmeddelanden
Icke-numerisk kolumn anges som viktkolumn.

Fel 0125

Genereras när schemat för flera datauppsättningar inte matchar.

Lösning:

Undantagsmeddelanden
Datauppsättningsschemat matchar inte.

Fel 0126

Ett undantag inträffar om användaren anger en SQL domän som inte stöds i Azure ML.

Det här felet uppstår när användaren anger en SQL domän som inte stöds i Machine Learning. Du får det här felet om du försöker ansluta till en databasserver i en domän som inte finns med i listan över tillåtna. För närvarande är de tillåtna SQL domänerna: ".database.windows.net", ".cloudapp.net" eller ".database.secure.windows.net". Servern måste alltså vara en Azure SQL-server eller en server på en virtuell dator i Azure.

Upplösning: Gå tillbaka till modulen. Kontrollera att SQL-databasservern tillhör någon av de godkända domänerna:

  • .database.windows.net

  • .cloudapp.net

  • .database.secure.windows.net

Undantagsmeddelanden
SQL domän stöds inte.
Den SQL domänen {0} stöds för närvarande inte i Azure ML

Fel 0127

Bildpunktsstorleken överskrider tillåten gräns

Det här felet uppstår om du läser bilder från en bilddatamängd för klassificering och bilderna är större än modellen kan hantera.

Upplösning: Mer information om bildstorleken och andra krav finns i följande avsnitt:

Undantagsmeddelanden
Bildpunktsstorleken överskrider den tillåtna gränsen.
Bildpunktsstorleken i filen "{0}" överskrider den tillåtna gränsen: '{1}'

Fel 0128

Antalet villkorsstyrda sannolikheter för kategoriska kolumner överskrider gränsen.

Lösning:

Undantagsmeddelanden
Antalet villkorsstyrda sannolikheter för kategoriska kolumner överskrider gränsen.
Antalet villkorsstyrda sannolikheter för kategoriska kolumner överskrider gränsen. Kolumnerna "{0}" och "{1}" är det problematiska paret.

Fel 0129

Antalet kolumner i datamängden överskrider den tillåtna gränsen.

Lösning:

Undantagsmeddelanden
Antalet kolumner i datamängden överskrider den tillåtna gränsen.
Antalet kolumner i datamängden i "{0}" överskrider tillåtet.
Antalet kolumner i datauppsättningen i överskrider{0} den tillåtna gränsen på "{1}".
Antalet kolumner i datamängden i överskrider{0} den tillåtna{1} gränsen för "{2}".

Fel 0130

Ett undantag inträffar när alla rader i träningsdatauppsättningen innehåller värden som saknas.

Detta inträffar när någon kolumn i träningsdatauppsättningen är tom.

Upplösning: Använd modulen Rensa saknade data för att ta bort kolumner med alla värden som saknas.

Undantagsmeddelanden
Alla rader i träningsdatauppsättningen innehåller saknade värden. Överväg att använda modulen Rensa saknade data för att ta bort saknade värden.

Fel 0131

Undantagsfel uppstår om en eller flera datauppsättningar i en zip-fil inte kan packas upp och registreras korrekt

Det här felet uppstår när en eller flera datauppsättningar i en zip-fil inte kan packas upp och läsas korrekt. Du får det här felet om uppackningen misslyckas på grund av att själva zip-filen eller en av filerna i den är skadad, eller om det uppstår ett systemfel vid försök att packa upp och expandera en fil.

Upplösning: Använd informationen i felmeddelandet för att avgöra hur du ska fortsätta.

Undantagsmeddelanden
Upload zippade datauppsättningar misslyckades
Zippade datauppsättningar {0} misslyckades med följande meddelande: {1}
Zippade datauppsättningar {0} misslyckades med ett {1} undantag med meddelandet: {2}

Fel 0132

Inget filnamn angavs för att packa upp. flera filer hittades i zip-filen.

Det här felet uppstår när inget filnamn har angetts för att packa upp. flera filer hittades i zip-filen. Du får det här felet om den .zip filen innehåller mer än en komprimerad fil, men du inte har angett någon fil för extrahering i textrutan Datamängd att packa upp i fönstret Egenskap i modulen. För närvarande kan endast en fil extraheras varje gång modulen körs.

Upplösning: Felmeddelandet innehåller en lista över de filer som finns i .zip filen. Kopiera namnet på den önskade filen och klistra in den i textrutan Datauppsättning för att packa upp .

Undantagsmeddelanden
Zip-filen innehåller flera filer. du måste ange den fil som ska expanderas.
Filen innehåller mer än en fil. Ange vilken fil som ska expanderas. Följande filer hittades: {0}

Fel 0133

Det gick inte att hitta den angivna filen i zip-filen

Det här felet uppstår när filnamnet som anges i fältet Datauppsättning att packa upp i fönstret Egenskap inte matchar namnet på någon fil som finns i .zip filen. De vanligaste orsakerna till det här felet är ett skrivfel eller att söka i fel arkivfil efter filen som ska expanderas.

Upplösning: Gå tillbaka till modulen. Om namnet på filen som du vill dekomprimera visas i listan över filer som hittas kopierar du filnamnet och klistrar in det i rutan Datauppsättning för att packa upp egenskapen. Om du inte ser önskat filnamn i listan kontrollerar du att du har rätt .zip fil och rätt namn för den önskade filen.

Undantagsmeddelanden
Det gick inte att hitta den angivna filen i zip-filen.
Det gick inte att hitta den angivna filen. Hittade följande fil(ar): {0}

Fel 0134

Ett undantag inträffar när etikettkolumnen saknas eller inte har tillräckligt många märkta rader.

Det här felet uppstår när modulen kräver en etikettkolumn, men du inte tog med en i kolumnmarkeringen, eller om etikettkolumnen saknar för många värden.

Det här felet kan också inträffa när en tidigare åtgärd ändrar datauppsättningen så att det inte finns tillräckligt med rader tillgängliga för en nedströmsåtgärd. Anta till exempel att du använder ett uttryck i modulen Partition och Exempel för att dividera en datauppsättning med värden. Om inga matchningar hittas för uttrycket är en av de datauppsättningar som kommer från partitionen tom.

Lösning:

Om du inkluderar en etikettkolumn i kolumnmarkeringen men den inte känns igen använder du modulen Redigera metadata för att markera den som en etikettkolumn.

Använd modulen Sammanfatta data för att generera en rapport som visar hur många värden som saknas i varje kolumn. Sedan kan du använda modulen Rensa saknade data för att ta bort rader med saknade värden i etikettkolumnen.

Kontrollera dina indatauppsättningar för att se till att de innehåller giltiga data och tillräckligt med rader för att uppfylla kraven för åtgärden. Många algoritmer genererar ett felmeddelande om de kräver vissa minsta antal rader med data, men data innehåller bara några få rader, eller bara en rubrik.

Undantagsmeddelanden
Ett undantag inträffar när etikettkolumnen saknas eller inte har tillräckligt många märkta rader.
Ett undantag inträffar när etikettkolumnen saknas eller har mindre än {0} märkta rader

Fel 0135

Endast centroidbaserat kluster stöds.

Upplösning: Du kan stöta på det här felmeddelandet om du har försökt utvärdera en klustringsmodell som baseras på en anpassad klustringsalgoritm som inte använder centroider för att initiera klustret.

Du kan använda Utvärdera modell för att utvärdera klustringsmodeller som baseras på K-Means-klustringsmodulen . För anpassade algoritmer använder du modulen Execute R Script (Kör R-skript ) för att skapa ett anpassat utvärderingsskript.

Undantagsmeddelanden
Endast centroidbaserat kluster stöds.

Fel 0136

Inget filnamn returnerades. det gick inte att bearbeta filen på grund av detta.

Lösning:

Undantagsmeddelanden
Inget filnamn returnerades. det gick inte att bearbeta filen på grund av detta.

Fel 0137

Azure Storage SDK påträffade ett fel vid konvertering mellan tabellegenskaper och datauppsättningskolumner under läsning eller skrivning.

Lösning:

Undantagsmeddelanden
Konverteringsfel mellan azure table storage-egenskapen och datauppsättningskolumnen.
Konverteringsfel mellan azure table storage-egenskapen och datauppsättningskolumnen. Ytterligare information: {0}

Fel 0138

Minnet har förbrukats, det gick inte att slutföra körningen av modulen. Att koppla ned datauppsättningen kan hjälpa dig att lösa problemet.

Det här felet uppstår när modulen som körs kräver mer minne än vad som är tillgängligt i Azure-containern. Detta kan inträffa om du arbetar med en stor datauppsättning och den aktuella åtgärden inte får plats i minnet.

Upplösning: Om du försöker läsa en stor datauppsättning och åtgärden inte kan slutföras kan det hjälpa att ta bortsampling av datauppsättningen.

Om du använder visualiseringarna för datauppsättningar för att kontrollera kolumnernas kardinalitet samplas bara vissa rader. Om du vill hämta en fullständig rapport använder du Sammanfatta data. Du kan också använda Använd SQL transformation för att söka efter antalet unika värden i varje kolumn.

Ibland kan tillfälliga belastningar leda till det här felet. Datorstöd ändras också över tid. En beskrivning av datastorleken som stöds finns i vanliga frågor och svar om Machine Learning.

Prova att använda analys av huvudkomponent eller någon av de tillhandahållna funktionsvalsmetoderna för att minska datauppsättningen till en mindre uppsättning fler funktionsrika kolumner: Funktionsval

Undantagsmeddelanden
Minnet har förbrukats, det gick inte att slutföra körningen av modulen.

Fel 0139

Ett undantag inträffar när det inte går att konvertera en kolumn till en annan typ.

Det här felet i Machine Learning uppstår när du försöker konvertera en kolumn till en annan datatyp, men den typen stöds inte av den aktuella åtgärden eller av modulen.

Felet kan också visas när en modul implicit försöker konvertera data för att uppfylla kraven för den aktuella modulen, men konverteringen är inte möjlig.

Lösning:

  1. Granska dina indata och fastställa den exakta datatypen för den kolumn som du vill använda och datatypen för den kolumn som genererar felet. Ibland kanske du tror att datatypen är korrekt, men upptäcker att en överordnad åtgärd har ändrat datatypen eller användningen av en kolumn. Använd modulen Redigera metadata för att återställa kolumnmetadata till dess ursprungliga tillstånd.

  2. Titta på modulhjälpsidan för att kontrollera kraven för den angivna åtgärden. Ta reda på vilka datatyper som stöds av den aktuella modulen och vilka värdeintervall som stöds.

  3. Om värden behöver trunkeras, avrundas eller avvikare tas bort använder du modulerna Tillämpa matematisk åtgärd eller Clip Values för att göra korrigeringar.

  4. Överväg om det är möjligt att konvertera eller omvandla kolumnen till en annan datatyp. Följande moduler ger stor flexibilitet och kraft för att ändra data:

Anteckning

Fungerar det fortfarande inte? Överväg att ge ytterligare feedback om problemet för att hjälpa oss att utveckla bättre felsökningsvägledning. Skicka bara feedback på den här sidan och ange namnet på modulen som genererade felet och den datatypskonvertering som misslyckades.

Undantagsmeddelanden
Konvertering tillåts inte.
Det gick inte att konvertera: {0}.
Det gick inte att konvertera: {0}, på rad {1}.
Det gick inte att konvertera en kolumn av typen {0} till en kolumn av typen {1} på raden {2}.
Det gick inte att konvertera kolumnen av{2} typen {0} till en kolumn av typen {1} på raden {3}.
Det gick inte att konvertera kolumnen "{2}" av typen {0} till kolumnen "{3}" av typen {1} på raden {4}.

Fel 0140

Ett undantagsfel uppstår om det angivna kolumnuppsättningsargumentet inte innehåller andra kolumner förutom etikettkolumnen.

Det här felet uppstår om du har anslutit en datauppsättning till en modul som kräver flera kolumner, inklusive funktioner, men du bara har angett etikettkolumnen.

Upplösning: Välj minst en funktionskolumn som ska ingå i datauppsättningen.

Undantagsmeddelanden
Den angivna kolumnuppsättningen innehåller inte andra kolumner förutom etikettkolumnen.

Fel 0141

Undantagsfel uppstår om antalet valda numeriska kolumner och unika värden i de kategoriska kolumnerna och strängkolumnerna är för litet.

Det här felet i Machine Learning inträffar när det inte finns tillräckligt med unika värden i den valda kolumnen för att utföra åtgärden.

Upplösning: Vissa åtgärder utför statistiska åtgärder på funktionskolumner och kategoriska kolumner, och om det inte finns tillräckligt med värden kan åtgärden misslyckas eller returnera ett ogiltigt resultat. Kontrollera datauppsättningen för att se hur många värden det finns i kolumnerna för gödning och etikett och kontrollera om åtgärden som du försöker utföra är statistiskt giltig.

Om källdatauppsättningen är giltig kan du också kontrollera om viss överordnad datamanipulering eller metadataåtgärd har ändrat data och tagit bort några värden.

Om överordnade åtgärder omfattar delning, sampling eller omsampling kontrollerar du att utdata innehåller det förväntade antalet rader och värden.

Undantagsmeddelanden
Antalet valda numeriska kolumner och unika värden i de kategoriska kolumnerna och strängkolumnerna är för litet.
Det totala antalet valda numeriska kolumner och unika värden i de kategoriska kolumnerna och strängkolumnerna (för närvarande {0}) bör vara minst {1}

Fel 0142

Ett undantag inträffar när systemet inte kan läsa in certifikatet för autentisering.

Lösning:

Undantagsmeddelanden
Det går inte att läsa in certifikatet.
Det går inte att läsa in certifikatet {0} . Tumavtrycket är {1}.

Fel 0143

Det går inte att parsa url som tillhandahålls av användaren och som ska komma från GitHub.

Det här felet i Machine Learning inträffar när du anger en ogiltig URL och modulen kräver en giltig GitHub URL.

Upplösning: Kontrollera att URL:en refererar till en giltig GitHub lagringsplats. Andra webbplatstyper stöds inte.

Undantagsmeddelanden
URL:en kommer inte från github.com.
URL:en kommer inte från github.com: {0}

Fel 0144

Den förväntade delen saknas i den användardefinierade GitHub-URL:en.

Det här felet i Machine Learning inträffar när du anger en GitHub filkälla med ett ogiltigt URL-format.

Upplösning: Kontrollera att URL:en för GitHub lagringsplats är giltig och slutar med \blob\ eller \tree\.

Undantagsmeddelanden
Det går inte att parsa GitHub URL.
Det går inte att parsa GitHub URL (förväntar sig "\blob\" eller "\tree\" efter lagringsplatsens namn):{0}

Fel 0145

Det går inte att skapa replikeringskatalogen av någon anledning.

Det här felet i Machine Learning inträffar när modulen inte kan skapa den angivna katalogen.

Lösning:

Undantagsmeddelanden
Det går inte att skapa replikeringskatalogen.

Fel 0146

När användarfilerna packas upp i den lokala katalogen kan den kombinerade sökvägen vara för lång.

Det här felet i Machine Learning inträffar när du extraherar filer, men vissa filnamn är för långa när de packas upp.

Upplösning: Redigera filnamnen så att den kombinerade sökvägen och filnamnet inte är längre än 248 tecken.

Undantagsmeddelanden
Replikeringssökvägen är längre än 248 tecken, förkorta skriptnamnet eller sökvägen.

Fel 0147

Det gick inte att ladda ned saker från GitHub av någon anledning

Det här felet i Machine Learning inträffar när du inte kan läsa eller ladda ned de angivna filerna från GitHub.

Upplösning: Problemet kan vara tillfälligt. du kan prova att komma åt filerna vid ett annat tillfälle. Eller kontrollera att du har nödvändiga behörigheter och att källan är giltig.

Undantagsmeddelanden
GitHub åtkomstfel.
GitHub åtkomstfel. {0}

Fel 0148

Problem med obehörig åtkomst när du extraherar data eller skapar en katalog.

Det här felet i Machine Learning inträffar när du försöker skapa en katalog eller läsa data från lagring men inte har de behörigheter som krävs.

Lösning:

Undantagsmeddelanden
Undantag för obehörig åtkomst när data extraheras.

Fel 0149

Användarfilen finns inte i GitHub-paketet.

Det här felet i Machine Learning inträffar när den angivna filen inte kan hittas.

Lösning:

Undantagsmeddelanden
GitHub filen hittades inte.
GitHub filen hittades inte.:{0}

Fel 0150

Skripten som kommer från användarpaketet kunde inte packas upp, troligen på grund av en kollision med GitHub filer.

Det här felet i Machine Learning inträffar när ett skript inte kan extraheras, vanligtvis när det finns en befintlig fil med samma namn.

Lösning:

Undantagsmeddelanden
Det går inte att packa upp paketet. möjlig namnkollision med GitHub filer.

Fel 0151

Ett fel uppstod vid skrivning till molnlagring. Kontrollera URL:en.

Det här felet i Machine Learning inträffar när modulen försöker skriva data till molnlagring men URL:en är inte tillgänglig eller ogiltig.

Lösning: Kontrollera URL:en och kontrollera att den är skrivbar.

Undantagsmeddelanden
Fel vid skrivning till molnlagring (eventuellt en felaktig URL).
Fel vid skrivning till molnlagring: {0}. Kontrollera URL:en.

Fel 0152

Azure-molntypen angavs felaktigt i modulkontexten.

Undantagsmeddelanden
Felaktig Azure-molntyp
Felaktig Azure-molntyp: {0}

Fel 0153

Den angivna lagringsslutpunkten är ogiltig.

Undantagsmeddelanden
Felaktig Azure-molntyp
Felaktig Storage slutpunkt:{0}

Fel 0154

Det gick inte att matcha det angivna servernamnet

Undantagsmeddelanden
Det gick inte att matcha det angivna servernamnet
Det gick inte att matcha den angivna serverns {0}.documents.azure.com

Fel 0155

DocDb-klienten utlöste ett undantag

Undantagsmeddelanden
DocDb-klienten utlöste ett undantag
DocDb-klient: {0}

Fel 0156

Felaktigt svar för HCatalog Server.

Undantagsmeddelanden
Felaktigt svar för HCatalog Server. Kontrollera att alla tjänster körs.
Felaktigt svar för HCatalog Server. Kontrollera att alla tjänster körs. Felinformation: {0}

Fel 0157

Ett fel uppstod vid läsning från Azure Cosmos DB på grund av inkonsekventa eller olika dokumentscheman. Läsaren kräver att alla dokument har samma schema.

Undantagsmeddelanden
Identifierade dokument med olika scheman. Kontrollera att alla dokument har samma schema

Fel 1000

Internt biblioteksfel.

Det här felet tillhandahålls för att avbilda annars ohanterade interna motorfel. Orsaken till det här felet kan därför vara olika beroende på vilken modul som genererade felet.

För att få mer hjälp rekommenderar vi att du publicerar det detaljerade meddelandet som åtföljer felet i Machine Learning-forumet, tillsammans med en beskrivning av scenariot, inklusive de data som används som indata. Den här feedbacken hjälper oss att prioritera fel och identifiera de viktigaste problemen för ytterligare arbete.

Undantagsmeddelanden
Biblioteksfel.
Biblioteksfel: {0}
{0} biblioteksfel: {1}

Mer hjälp

Felkoder för modul

Behöver du mer hjälp eller felsökningstips för Machine Learning? Prova dessa resurser: