Felsöka modulundantag i Azure Machine Learning med hjälp av felkoder

Lär dig mer om felmeddelanden och undantagskoder som kan uppstå när du använder moduler i Azure 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 bläddra längst ned. Det detaljerade felmeddelandet visas på de två sista raderna i fönstret.

  • Välj den modul som innehåller felet och klicka på det röda krysset. Endast den relevanta feltexten visas.

Om felmeddelandet inte är användbart skickar du information om kontexten och eventuella önskade tillägg eller ändringar. Du kan antingen skicka feedback om felämnet eller besöka Azure Machine Learning STUDIO-forumet och ställa en fråga.

Fel 0001

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

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

Lösning: Gå tillbaka till modulen som utlöste 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
Kolumnen med namnet eller indexet " {0} " hittades inte
Kolumn med namn eller index {0} " " finns inte i " {1} "

Fel 0002

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

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

Lösning: Kontrollera modulkraven och se vilken värdetyp som krävs (sträng, heltal, double osv.)

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

Fel 0003

Undantag inträffar om en eller flera indata är null eller tomma.

Du får det här felet i Azure Machine Learning om några indata eller parametrar till en modul är null eller tomma. Det här felet kan till exempel inträffa när du inte har skrivit in 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 om det finns saknade värden eller nullvärden i indata.
  • Om du använder en fråga på 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 " {0} " är null eller tom

Fel 0004

Undantaget inträffar om parametern är mindre än eller lika med ett specifikt värde.

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

Lösning: Gå tillbaka till modulen som utlöste undantaget och ändra parametern så att den blir större än det angivna värdet.

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

Fel 0005

Undantaget inträffar om parametern är mindre än ett visst värde.

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

Lösning: Gå tillbaka till modulen som utlöste undantaget och ändra parametern så att den är större än eller lika med det angivna värdet.

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

Fel 0006

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

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

Lösning: Gå tillbaka till modulen som utlöste undantaget och ändra parametern så att den är mindre än det angivna värdet.

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

Fel 0007

Undantag inträffar om parametern är större än ett visst värde.

Du får det här felet i Azure 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 datauppsättningar 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 numeriska egenskapsinställningar.
  • Se till att alla parametervärden ligger inom det värdeintervall som stöds för den egenskapen.
  • Om modulen tar flera indata ser du till att indata har samma storlek.
  • Om modulen har flera egenskaper som kan anges ser du till att relaterade egenskaper har lämpliga värden. Om du till exempel använder Gruppera datai lagerplatser, om du använder alternativet för att ange anpassade lagerplatskanter, måste antalet lagerplatser matcha antalet värden som du anger som lagerplatsgränser.
  • Kontrollera om datauppsättningen eller datakällan har ändrats. Ibland misslyckas ett värde som fungerade med en tidigare version av data när antalet kolumner, kolumndatatyper eller storleken på data har ändrats.
Undantagsmeddelanden
Parametrar matchar inte. En av parametrarna ska vara mindre än eller lika med en annan.
Parametern {0} " " value ska vara mindre än eller lika med parametern " {1} " value.
Parametern {0} " " har värdet " " som ska vara mindre än eller lika med {1} {2} .

Fel 0008

Undantaget inträffar om parametern inte är inom intervallet.

Du får det här felet Azure 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 olika antal kolumner.

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

Undantagsmeddelanden
Parametervärdet ligger inte inom det angivna intervallet.
Parametern {0} " " värdet är inte inom intervallet.
Parametern {0} " " ska vara inom intervallet för [ , {1} {2} ].

Fel 0009

Undantaget inträffar när Namnet på Azure-lagringskontot eller containernamnet har angetts felaktigt.

Det här felet uppstår i Azure 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 fel typ. Vissa nya kontotyper stöds inte för användning med Machine Learning Studio (klassisk). Mer information finns i Importera data.
  • Du har angett det felaktiga kontonamnet
  • Kontot finns inte längre
  • Lösenordet för lagringskontot är fel eller har ändrats
  • Du angav inte containernamnet, eller så finns inte containern
  • Du angav inte sökvägen till filen helt (sökvägen till bloben)

Lösning:

Sådana problem uppstår ofta när du försöker ange kontonamnet, lösenordet eller containersökvägen 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 Azure Machine Learning. Till exempel kan de nya lagringstyperna "hot" eller "cold" 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/blobname och att både containern och bloben finns i kontot.

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

Resurser

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

Exempelexperiment

Se dessa experiment i Cortana Intelligence-galleriet för exempel på hur du ansluter till olika datakällor:

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

Fel 0010

Undantaget inträffar om indatauppsättningar har kolumnnamn som ska matcha men inte.

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

Lösning: 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) av indatauppsättningar ( {1} {2} respektive ).

Fel 0011

Undantaget inträffar om kolumnuppsättningsargumentet som skickas inte gäller för någon av datauppsättningskolumnerna.

Du får det här felet Azure 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.

Lösning: 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 är markerade tar du bort dem och kör experimentet igen.

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

Fel 0012

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

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

Undantagsmeddelanden
Tränad modell, träna modellen först.
Ej tränad modell ( {0} ), använd tränad modell.

Fel 0013

Undantag inträffar 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 (Poängmodell) (i stället för Score Matchbox Recommender) genereras det här felet när experimentet körs.

Lösning:

Fastställ vilken typ av elever som skapas av träningsmodulen och fastställ vilken bedömningsmodul som är lämplig för eleven.

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

Modelltyp Träningsmodul Bedömningsmodul
alla klassificerare Träna modell eller finjustera modellens hyperparametrar Poängmodell
valfri regressionsmodell Träna modell eller finjustera modellens hyperparametrar Poängmodell
klustringsmodeller Träna klustringsmodell eller rensa klustring Tilldela data till kluster
avvikelseidentifiering – One-Class SVM Träna avvikelseidentifieringsmodell Poängmodell
avvikelseidentifiering – PCA Träna modell eller finjustera modellens hyperparametrar Poängmodell
Vissa ytterligare steg krävs för att utvärdera modellen.
avvikelseidentifiering – tidsserie Avvikelseidentifiering för tidsserier Modellen tränar från data och genererar poäng. Modulen skapar inte någon tränad elever och ingen ytterligare bedömning krävs.
rekommendationsmodell Träna Matchbox-rekommenderare Poängmatchningbox-rekommenderare
bildklassificering Förtränad bildklassificering av kaskad Poängmodell
Vowpal Wabbit-modeller Träna Vowpal Wabbit Version 7-4-modell Score Vowpal Wabbit Version 7-4 Model
Vowpal Wabbit-modeller Träna Vowpal Wabbit Version 7-10-modellen Score Vowpal Wabbit Version 7-10 Model
Vowpal Wabbit-modeller Träna Vowpal Wabbit Version 8-modell Poäng för Vowpal Wabbit Version 8-modell
Undantagsmeddelanden
Elever av ogiltig typ skickas.
Learner " {0} " har ogiltig typ.

Fel 0014

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 datauppsättningens indata och välja Visualisera för att hämta statistik för enskilda kolumner, inklusive antalet unika värden och deras distribution.

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

  • För textdata kan du kanske använda Förbearbeta text för att dölja liknande poster.
  • För numeriska data kan du skapa ett mindre antal lagerplatser med gruppera data i lagerplatser, ta bort eller trunkera värden med clip-värden elleranvända maskininlärningsmetoder som principal component analysis eller learning med antal för att minska dimensionaliteten för data.

Tips

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

Undantagsmeddelanden
Antalet unika kolumnvärden är större än tillåtet.
Antalet unika värden i kolumnen: " {0} " " överskrider tuppeln på {1} .

Fel 0015

Undantaget inträffar 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.

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

Undantagsmeddelanden
Fel vid databasanslutning.
Fel vid databasanslutning: {0} .

Fel 0016

Undantaget inträffar om indatauppsättningar som skickas till modulen ska ha kompatibla kolumntyper men inte göra det.

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

Lösning: Använd Redigera metadata,ändra den ursprungliga indatauppsättningen eller använd Konvertera till datauppsättning för att säkerställa att kolumnerna är kompatibla.

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

Fel 0017

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

Du kan till exempel få det här felet i Azure Machine Learning om kolumnmarkeringen 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 överensstämmer med kraven. Du kan behöva använda flera av följande moduler för att göra ändringar, beroende på vilken kolumn och vilken konvertering du försöker göra:
    • Använd Redigera metadata för att ändra datatypen för kolumner eller ändra kolumnanvändningen från funktion till numerisk, kategorisk till icke-kategorisk och så vidare.
    • Använd Konvertera till datauppsättning för att säkerställa att alla inkluderade kolumner använder datatyper som stöds av Azure Machine Learning. Om du inte kan konvertera kolumnerna kan du ta bort dem från indatauppsättningen.
    • Använd modulerna Apply SQL Transformation (Tillämpa SQL-transformering) eller Execute R Script (Kör R-skript) för att omvandla eller konvertera kolumner som inte kan ändras med hjälp av Redigera metadata. De här modulerna ger större flexibilitet när du arbetar med datetime-datatyper.
    • För numeriska datatyper kan du använda modulen Tillämpa matematisk åtgärd för att avrunda eller trunkera värden, eller använda modulen Clip Values (Clip Values) för att ta bort värden utanför intervallet.
  4. Som en sista utväg kan du behöva ändra den ursprungliga indatauppsättningen.

Tips

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

Undantagsmeddelanden
Det går inte att bearbeta kolumn av den aktuella typen. Typen stöds inte av modulen.
Det går inte att bearbeta kolumn av typen {0} . Typen stöds inte av modulen.
Det går inte att bearbeta {1} kolumnen " " av typen {0} . Typen stöds inte av modulen.
Det går inte att bearbeta {1} kolumnen " " av typen {0} . Typen stöds inte av modulen. Parameternamn: {2}

Fel 0018

Undantaget inträffar om indatauppsättningen inte är giltig.

Lösning: Det här Azure Machine Learning kan visas i många sammanhang, så det finns inte en enda lösning. I allmänhet indikerar felet att de data som anges som indata till en modul har fel antal kolumner eller att datatypen inte matchar kraven för modulen. Exempel:

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

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

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

  • Data har fel format.

  • Importerade data innehåller ogiltiga tecken, felaktiga värden eller värden utanför intervallet.

  • Kolumnen är tom eller innehåller för många saknade värden.

Om du vill fastställa kraven och hur dina data kan vara det kan du läsa hjälpavsnittet för modulen som ska använda datauppsättningen som indata.

Vi rekommenderar också att du använder Sammanfatta data eller Beräkna elementär statistik för att profilera dina data och använder dessa moduler för att åtgärda metadata och rensa värden: Redigera metadata, Rensadata som saknas, Clip-värden.

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

Fel 0019

Undantag inträffar om kolumnen förväntas innehålla sorterade värden, men det gör den inte.

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

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

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

Fel 0020

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

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

Lösning: Gå tillbaka till modulen och se till att kolumnväljaren har rätt antal kolumner valda.

Undantagsmeddelanden
Antalet kolumner i indatauppsättningen är mindre än det tillåtna minimiantalet.
Antalet kolumner i indatauppsättningen är mindre än det tillåtna {0} minsta antalet kolumner.
Antalet kolumner i indatauppsättningen {0} " " är mindre än det tillåtna minsta antalet {1} kolumner.

Fel 0021

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

Det här felet visas i Azure Machine Learning 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 visst minsta antal rader är giltiga. Sådana åtgärder kan inkludera (men är inte begränsade till) gruppering eller klassificering baserat på statistiska metoder, vissa typer av gruppering och inlärning med antal.

Lösning:

  • Öppna modulen som returnerade felet och kontrollera indatauppsättningen och modulegenskaperna.
  • Kontrollera att indatauppsättningen inte är tom och att det finns tillräckligt med datarader 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 gör att importen 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 för dessa åtgärder för att fastställa antalet rader som returneras.

Fel 0022

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

Det här Azure Machine Learning kan inträffa när nedströmsmodulen eller åtgärden kräver ett visst antal kolumner eller indata och du har angett för få eller för många kolumner eller indata. Exempel:

  • Du anger en enskild etikettkolumn eller nyckelkolumn och har valt flera kolumner av misstag.

  • Du byter namn på kolumner, men du har angett 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 flera indata stöds inte.

Lösning: Gå tillbaka till modulen och kontrollera kolumnmarkeringen för att se till att rätt antal kolumner har valts. Kontrollera utdata för överordnade moduler och kraven för underordnade åtgärder.

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

Om du försöker ange en kommaavgränsad lista med datauppsättningar som indata för att packa upp komprimerade datauppsättningar packardu 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 användarobjektsr rangordning. Ta bort ytterligare kolumner innan du tränar modellen eller delar upp rekommendationsdatauppsättningar. Mer information finns i Dela data.

Undantagsmeddelanden
Antalet valda kolumner i indatauppsättningen är inte lika med det förväntade antalet.
Antalet valda kolumner i indatauppsättningen är inte lika med {0} .
Kolumnvalsmönster " {0} " " anger antalet valda kolumner i indatauppsättningen som inte är lika med {1} .
Kolumnvalsmönster " " förväntas tillhandahålla kolumner som valts i den inmatade datauppsättningen, men kolumner {0} {1} {2} tillhandahålls.

Fel 0023

Undantaget inträffar om målkolumnen i indatauppsättningen inte är giltig för den aktuella utbildarmodulen.

Det här Azure Machine Learning inträffar om målkolumnen (som valts i modulparametrarna) inte är av den giltiga datatypen, innehåller alla saknade värden eller inte var kategorisk som förväntat.

Lösning: Gå tillbaka till modulens indata för att granska innehållet i kolumnen etikett/mål. Kontrollera att den inte har alla värden som saknas. Om modulen förväntar sig att målkolumnen ska vara kategorisk kontrollerar du att det finns fler än ett distinkt värde i målkolumnen.

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

Fel 0024

Undantaget inträffar om datauppsättningen inte innehåller en etikettkolumn.

Det här Azure Machine Learning inträffar när modulen kräver en etikettkolumn och datauppsättningen inte har någon etikettkolumn. Till exempel kräver utvärderingen av en poängad datamängd vanligtvis att det finns en etikettkolumn för att beräkna noggrannhetsmått.

Det kan också hända att en etikettkolumn finns i datauppsättningen, men inte identifieras korrekt av Azure 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 enskilt utfall (eller en beroende variabel) som du försöker förutsäga. Om du inte är säker på vilken kolumn som har etiketten letar du efter ett allmänt namn, till exempel Klass eller Mål.
  • Om datauppsättningen inte innehåller en etikettkolumn är det möjligt att etikettkolumnen uttryckligen eller av misstag har tagits bort uppströms. Det kan också vara att datauppsättningen inte är utdata från en överordnad bedömningsmodul.
  • Om du uttryckligen vill markera kolumnen som etikettkolumn lägger du till modulen Redigera metadata och ansluter datauppsättningen. Markera endast 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

Undantaget inträffar om datauppsättningen inte innehåller en poängkolumn.

Det här Azure Machine Learning inträffar om indata för utvärderingsmodellen inte innehåller giltiga poängkolumner. Användaren försöker till exempel utvärdera en datauppsättning innan den poängades med en korrekt tränad modell, eller så togs poängkolumnen bort explicit uppströms. Det här undantaget inträffar också om poängkolumnerna på de två datauppsättningarna är inkompatibla. Du kanske till exempel försöker jämföra precisionen för en linjär regresor med en binär klassificerare.

Lösning: Gå tillbaka till indata för utvärderingsmodellen och undersök om den innehåller en eller flera poängkolumner. Annars poängades inte datauppsättningen eller poängkolumnerna togs 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 produceras av en " {1} ". Poängdatauppsättningen med rätt typ av elever.

Fel 0026

Undantag inträffar om kolumner med samma namn inte tillåts.

Det här Azure 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.

Lösning: Om kolumnerna har samma namn infogar du en Edit Metadata-modul (Redigera metadata) mellan indatauppsättningen och modulen. Använd kolumnväljaren i Redigera metadata för att välja kolumner att byta namn på och skriv 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 {0} argumenten " " och {1} " " är inte tillåtna. Ange olika namn.

Fel 0027

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

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

Lösning: 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 två datauppsättningar som har flera kolumner kontrollerar du att nyckelkolumnerna har samma datatyp och väljer alternativet Tillåt dubbletter och bevara kolumnordningen i valet .

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

Fel 0028

Undantaget inträffar när kolumnuppsättningen innehåller duplicerade kolumnnamn och det inte tillåts.

Det här felet Azure Machine Learning inträffar när kolumnnamnen dupliceras. det vill säga, inte unikt.

Lösning: Om några kolumner har samma namn lägger du till en instans av Redigera metadata mellan indatauppsättningen och den modul som ger 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 ser du till att de värden som du skriver i Nya kolumnnamn är unika.

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

Fel 0029

Undantag inträffar om ogiltig URI skickas.

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

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

  • Tidsfönstret för SAS har upphört att gälla.

  • Webbadressen via HTTP-källa representerar en fil eller en loopback-URI.

  • Webbadressen via HTTP innehåller en felaktigt formaterad URL.

  • URL:en kan inte matchas av fjärrkällan.

Lösning: Gå tillbaka till modulen och kontrollera URI-formatet. 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

Undantaget inträffar när det inte går att ladda ned en fil.

Det här undantaget Azure 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.

Lösning: Kontrollera att URI:en 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

Undantaget inträffar om antalet kolumner i kolumnuppsättningen är mindre än vad som behövs.

Det här Azure Machine Learning inträffar om antalet kolumner som valts är mindre än vad som behövs. Du får det här felet om det minsta antalet kolumner som krävs inte har valts.

Lösning: 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

Undantaget inträffar om argumentet inte är ett tal.

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

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

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

Fel 0033

Undantaget inträffar om argumentet är Infinity.

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

Lösning: Ändra det angivna argumentet till ett giltigt värde.

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

Fel 0034

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

Det här Azure Machine Learning uppstår i rekommendationen om ett användarobjektpar har mer än ett klassificeringsvärde.

Lösning: Se till att användarobjektparet endast har ett klassificeringsvärde.

Undantagsmeddelanden
Det finns fler än ett omdöme för värdet i datauppsättningen.
Mer än ett omdöme för användare och {0} objekt i tabellen med {1} omdömesförutsägelsedata.

Fel 0035

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

Det här Azure 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 objektfunktioner eller användarfunktioner. Det här felet anger att en funktionsvektor saknas för en användare eller ett objekt som du har angett 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 hjälp av 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 (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 skapa funktioner för att generera lämpliga funktioner. Om du till exempel inte har individuella ålders- eller inkomstvärden för användare kan du generera ungefärliga värden som ska användas för en grupp användare.

När du poängsättning från ett rekommendationsläge kan du bara använda objekt- eller användarfunktioner om du tidigare använde objekt eller användarfunktioner under träningen. Mer information finns i Poängmatchningbox-rekommenderare.

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

Tips

Gäller inte lösningen 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 kommer att använda den här informationen för att ge mer detaljerade felsökningssteg i framtiden.

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

Fel 0036

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

Det här felet Azure Machine Learning inträffar om en funktionsvektor definieras mer än en gång.

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

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

Fel 0037

Undantaget inträffar om flera etikettkolumner har angetts och bara en tillåts.

Det här Azure Machine Learning inträffar om fler än en kolumn har valts som den nya etikettkolumnen. De flesta algoritmer för övervakad inlärning kräver att en enda kolumn markeras som mål eller etikett.

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

Undantagsmeddelanden
Flera etikettkolumner anges.

Fel 0038

Undantaget inträffar om antalet förväntade element ska vara ett exakt värde, men inte det.

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

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

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

Fel 0039

Undantaget inträffar om en åtgärd har misslyckats.

Det här Azure Machine Learning inträffar när det inte går att slutföra en intern åtgärd.

Lösning: 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 det inte finns någon information kan du skicka feedback och ange information om de moduler som genererade felet och relaterade villkor.

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

Fel 0040

Undantag inträffar när en inaktuell modul anropas.

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

Lösning: Ersätt den inaktuella modulen med en som stöds. Se modulens utdatalogg 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

Undantag inträffar när en inaktuell modul anropas.

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

Lösning: Ersätt den inaktuella modulen med en uppsättning som stöds. Den här informationen ska vara synlig i modulens utdatalogg.

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

Fel 0042

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

Det här Azure Machine Learning inträffar när det inte går att konvertera kolumn till den angivna typen. Du får det här felet om en modul kräver en viss datatyp, till exempel datetime, text, flyttal eller heltal, men det går inte att konvertera en befintlig kolumn till den obligatoriska typen.

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 orsak 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 datatyp.
  • Granska datatyperna för kolumnerna i indatauppsättningen.
  • Granska data som kommer från så kallade schemas less-datakällor.
  • Kontrollera om datauppsättningen innehåller 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 rensning kan vara komplicerat på grund av de många formaten. Överväg att använda modulerna Kör R-skript eller Kör Python-skript för att utföra rensning.
  • Om det behövs ändrar du värdena i indatauppsättningen så att kolumnen kan konverteras korrekt. Ändringar kan omfatta datalager, trunkering eller avrundningsåtgärder, borttagning av avvikande värden eller imputering av saknade värden. I följande artiklar finns några vanliga scenarier för datatransformering i maskininlärning:

Tips

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

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

Fel 0043

Undantaget inträffar när elementtypen inte uttryckligen implementerar Lika med.

Det här felet Azure Machine Learning är oanvänd och kommer att bli inaktuellt.

Lösning: Ingen.

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

Fel 0044

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

Det här Azure Machine Learning inträffar när det inte går att härsa upp typen av en kolumn eller kolumner i en datauppsättning. Detta inträffar vanligtvis när du sammanfogar två eller flera datauppsättningar med olika elementtyper. Om Azure Machine Learning inte kan fastställa en gemensam typ som kan representera alla värden i en kolumn eller kolumner utan att förlora information, genereras det här felet.

Lösning: Se till att alla värden i en viss kolumn i båda datauppsättningarna som kombineras är av antingen samma typ (numerisk, boolesk, kategorisk, sträng, datum osv.) eller kan kodas till samma typ.

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

Fel 0045

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

Det här felet Azure Machine Learning skapas när elementtyperna för två datauppsättningar som kombineras är olika.

Lösning: Se till att alla värden i en viss kolumn i båda datauppsättningarna som kombineras är av samma typ (numeriska, booleska, kategoriska, sträng, datum osv.).

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

Fel 0046

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

Det här Azure 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.

Lösning: Gå tillbaka till modulen och kontrollera att katalogsökvägen är korrekt formaterad och att den är tillgänglig med de aktuella autentiseringsuppgifterna.

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

Fel 0047

Undantaget inträffar om antalet egenskapskolumner i vissa datauppsättningar som skickas till modulen är för litet.

Det här Azure Machine Learning indatauppsättningen till träningen inte innehåller det minsta antalet kolumner som krävs av algoritmen. Vanligtvis är datauppsättningen tom eller innehåller bara träningskolumner.

Lösning: 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 det tillåtna minimiantalet.
Antalet egenskapskolumner i indatauppsättningen är mindre än det tillåtna {0} minsta antalet kolumner.
Antalet egenskapskolumner i indatauppsättningen {0} " " är mindre än det tillåtna minsta antalet {1} kolumner.

Fel 0048

Undantag inträffar när det inte går att öppna en fil.

Det här Azure 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 ger dig inte åtkomst till filen

  • Filen är för stor för att läsa eller fel format

Lösning: 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.
Fel när filen öppnades: {0} .

Fel 0049

Undantaget inträffar när det inte går att parsa en fil.

Det här Azure 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 tecken som inte kan kännas igen.

Lösning: Gå tillbaka till modulen och korrigera valet av filformat om det inte matchar formatet för filen. Granska om möjligt 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

Undantaget inträffar när indata- och utdatafilerna är desamma.

Lösning: Det här felet Azure Machine Learning är oanvänd och kommer att bli inaktuellt.

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

Fel 0051

Undantaget inträffar när flera utdatafiler är likadana.

Lösning: Det här felet Azure Machine Learning är oanvänd och kommer att bli inaktuellt.

Undantagsmeddelanden
Angivna filer för utdata får inte vara samma.

Fel 0052

Undantaget inträffar om Azure Storage-kontonyckeln har angetts felaktigt.

Det här felet Azure Machine Learning 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 åtkomstnycklarför lagring.

Lösning: 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

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

Det här felet Azure Machine Learning skapas när det inte går att hitta en funktionsvektor.

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

Undantagsmeddelanden
Användarfunktioner eller/och objekt krävs men tillhandahålls inte.

Fel 0054

Undantaget inträffar om det finns för få distinkta värden i kolumnen för att slutföra åtgärden.

Lösning: Det här felet Azure Machine Learning är oanvänd 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. Minimikravet är {0} element.
Data har för få distinkta värden i kolumnen " {1} " för att slutföra åtgärden. Minimikravet är {0} element.

Fel 0055

Undantag inträffar när en inaktuell modul anropas.

Det här Azure Machine Learning visas om du försöker anropa en modul som är inaktuell.

Lösning:

Undantagsmeddelanden
Åtkomst till inaktuell modul.
Modulen " {0} " är inaktuell.

Fel 0056

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

Det här Azure Machine Learning inträffar när du väljer kolumner för en åtgärd som kräver att kolumnen är av 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, en etikett eller en kategorisk kolumn.

Till exempel kräver modulen Konvertera till indikatorvärden att kolumnerna är kategoriska, och det här felet uppstår om du väljer en funktionskolumn eller en etikettkolumn.

Lösning:

  1. Granska datatypen för de kolumner som är markerade.

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

  3. Granska hjälpavsnittet för modulen där du gjorde kolumnurvalet för att avgöra om det finns särskilda krav för datatyp eller kolumnanvändning.

  4. Använd Redigera metadata för att ändra kolumntypen för åtgärdens varaktighet. Se till att ändra tillbaka kolumntypen 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

Undantaget inträffar när du försöker 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 Azure 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 ställt in egenskapen Azure Blob Storage-skrivlägeFel. Den här modulen skapar ett fel om du försöker skriva en datauppsättning till en blob som redan finns.

  • Öppna modulegenskaperna och ändra egenskapen Azure Blob Storage-skrivläge till Skriv över.
  • Du kan också ange 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 {0} bloben " " finns redan.

Fel 0058

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

Det här undantaget kan också inträffa när 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 verklig etikettkolumn när du tränar en binär klassificerare.

Lösning: Lösningen beror på vilken elever eller utbildare du använder och datatyperna för kolumnerna i datauppsättningen. Kontrollera först kraven för maskininlärningsalgoritmen eller träningsmodulen.

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

Kontrollera indata för saknade värden 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

Undantaget inträffar om ett kolumnindex som anges i en kolumnväljare inte kan parsas.

Det här Azure 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.

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

Undantagsmeddelanden
Det gick inte att parsa ett eller flera angivna kolumnindex eller indexintervall.
Kolumnindex eller intervall {0} " " kunde inte parsas.

Fel 0060

Undantaget inträffar när ett kolumnintervall utanför intervallet anges i en kolumnväljare.

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

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

Undantagsmeddelanden
Ett kolumnindexintervall som är ogiltigt eller utanför intervallet har angetts.
Kolumnintervallet {0} " " är ogiltigt eller utanför intervallet.

Fel 0061

Undantaget inträffar när du försöker lägga till en rad i en DataTable som har ett annat antal kolumner än tabellen.

Det här Azure 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 den rad som läggs till i datauppsättningen har ett annat antal kolumner från den inkommande datauppsättningen. Raden kan inte läggas till i datauppsättningen om antalet kolumner skiljer sig åt.

Lösning: Ändra indatauppsättningen så att samma antal kolumner som raden läggs till, eller ändra raden som läggs till för att ha samma antal kolumner som datauppsättningen.

Undantagsmeddelanden
Alla tabeller måste ha samma antal kolumner.

Fel 0062

Undantag inträffar när du försöker jämföra två modeller med olika typer av elever.

Det här felet Azure Machine Learning skapas när utvärderingsmått för två olika poängade datauppsättningar inte kan jämföras. I det här fallet går det inte att jämföra effektiviteten hos de modeller som används för att skapa de två poängade datauppsättningarna.

Lösning: Kontrollera att de poängerade 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 lästyp.

Undantagsmeddelanden
Alla modeller måste ha samma typ av elever.

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 Azure 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 arbetsutrymme, beroende på vilket som är minst.

Lösning:

  1. I Azure 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 skriptproblem.
    • Sök efter R-syntaxfel. Sök efter variabler som har definierats men som aldrig har fyllts i.
    • Granska indata och skriptet för att avgöra om antingen data eller variabler i skriptet använder tecken som inte stöds av Azure 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 är rätt version.
    • Se till 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-galleriet som använder R-skript.

Undantagsmeddelanden
Fel vid utvärdering av R-skript.
Följande fel uppstod under utvärderingen av R-skriptet: ---------- start av felmeddelande från R ---------- ----------- av felmeddelandet {0} från R -----------
Under utvärderingen av R-skriptet " " inträffade följande fel: ---------- Start av felmeddelande från R ---------- ----------- av felmeddelandet {1} {0} från R -----------

Fel 0064

Undantaget inträffar om azure-lagringskontots namn eller lagringsnyckel har angetts felaktigt.

Det här Azure 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.

Lösning: 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 {0} " " eller lagringsnyckeln för kontonamnet är felaktigt.

Fel 0065

Undantag inträffar om Azure-blobnamnet har angetts felaktigt.

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

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

  • Det fullständiga namnet på bloben som anges för utdata i någon av modulerna Inlärning med antal 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.

Lösning: Gå tillbaka till modulen som utlöste undantaget. Kontrollera att den angivna bloben finns i containern i lagringskontot och att behörigheterna gör att du kan se bloben. Kontrollera att indata har formatet containernamn/filnamn 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.
Azure Storage-blobnamnet " {0} " är felaktigt

Fel 0066

Undantaget inträffar om en resurs inte kunde laddas upp till en Azure Blob.

Det här Azure Machine Learning uppstår om en resurs inte kunde laddas upp till en Azure Blob. Du får det här meddelandet om Train Vowpal Wabbit 7-4 Model (Träna Vowpal Wabbit 7-4-modell) påträffar ett fel när du försöker spara modellen eller den hash som skapades när modellen tränas. Båda sparas på samma Azure Storage-konto som kontot som innehåller indatafilen.

Lösning: Gå tillbaka till modulen. Kontrollera att Azure-kontots namn, lagringsnyckel och container är korrekta och att kontot har behörighet att skriva till containern.

Undantagsmeddelanden
Det gick inte att överföra resursen till Azure Storage.
Filen " {0} " kunde inte laddas upp till Azure Storage som {1} .

Fel 0067

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

Det här Azure 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 det antal kolumner som modulen förväntar sig under körningen.

Lösning: Ändra indatauppsättningen eller parametrarna.

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

Fel 0068

Undantaget inträffar om det angivna Hive-skriptet inte är korrekt.

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

Lösning:

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

  • Öppna modulen och granska frågan efter misstag.
  • Kontrollera att frågan fungerar korrekt utanför Azure 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 för hjälp med Hive-frågor för maskininlärning:

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

Fel 0069

Undantaget inträffar om det angivna SQL-skriptet inte är korrekt.

Det här Azure 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-motorn stöter på något fel när frågan eller skriptet körs. SQL-felmeddelandet rapporteras vanligtvis i felloggen så att du kan vidta åtgärder baserat på det specifika felet.

Lösning: Gå tillbaka till modulen och granska SQL-frågan efter misstag.

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

Om ett SQL-genererat meddelande rapporteras av modulfelet kan du vidta åtgärder baserat på det rapporterade felet. Felmeddelandena innehåller till exempel ibland specifika riktlinjer för det sannolika felet:

  • Det finns ingen sådan kolumn eller databas som saknas, vilket indikerar att du 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 <SQL keyword> nära, som anger 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

Undantag inträffar vid försök att komma åt en Azure-tabell som inte finns.

Det här Azure Machine Learning inträffar när du försöker komma åt en Azure-tabell som inte finns. 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 har till exempel tänkt läsa från en tabell men angett namnet på en blob i stället.

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

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

Fel 0071

Undantaget inträffar om angivna autentiseringsuppgifter är felaktiga.

Det här felet Azure 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.

Lösning: Granska indata till modulen och kontrollera 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 endast bokstäver och understreck används (_)

  • 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 {0} " " eller lösenord skickas

Fel 0072

Undantag inträffar vid tidsgräns för anslutning.

Det här felet Azure Machine Learning inträffar när en anslutning tar slut. 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 om SQL-frågan som ska läsas i data utför komplicerad bearbetning.

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

Undantagsmeddelanden
Tidsgränsen för anslutningen uppstod.

Fel 0073

Undantaget inträffar om ett fel inträffar när en kolumn konverteras till en annan typ.

Det här Azure Machine Learning inträffar när det inte går att konvertera kolumn 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.

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

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

Fel 0074

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

Det här Azure 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. Azure Machine Learning stöder inte glesa kategoriska matriser, så modulen kommer att misslyckas.

Lösning: Gör kolumnen kompakt med hjälp av Konvertera till datauppsättning först eller konvertera inte kolumnen till kategorisk.

Undantagsmeddelanden
Glesa kolumner kan inte konverteras till kategoriska.

Fel 0075

Undantag inträffar när en ogiltig datamängdsfunktion används vid kvantisering av en datauppsättning.

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

Lösning:

Felhantering för den här händelsen introducerades i en tidigare version av Azure Machine Learning som tillät mer anpassning av datalagermetoder. För närvarande baseras alla metoder för binering på ett val från en listrutan, 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 lagerplatser kan du rapportera problemet i Azure Machine Learning-forumet,ange datatyper, parameterinställningar och det exakta felmeddelandet.

Undantagsmeddelanden
Ogiltig bineringsfunktion används.

Fel 0077

Undantag inträffar när läget för okända skrivningar av blobfiler skickas.

Det här Azure Machine Learning inträffar om ett ogiltigt argument skickas i specifikationerna för ett blobfilmål eller en källa.

Lösning: I nästan alla moduler som importerar eller exporterar data till och från Azure Blob Storage tilldelas parametervärden som styr skrivläget med hjälp av en listrutan. 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
Blob-skrivläge stöds inte.
Blob-skrivläge som inte stöds: {0} .

Fel 0078

Undantaget inträffar när HTTP-alternativet för importdata tar emot en 3xx-statuskod som anger omdirigering.

Det här Azure Machine Learning inträffar när HTTP-alternativet för importdata 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 Azure Machine Learning.

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

Undantagsmeddelanden
HTTP-omdirigering tillåts inte

Fel 0079

Undantaget inträffar om Azure Storage-containernamnet har angetts felaktigt.

Det här Azure 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 hjälp av alternativet Sökväg till blob som börjar med container när du skriver till Azure Blob Storage.

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

Undantagsmeddelanden
Azure Storage-containernamnet är felaktigt.
Azure Storage-containernamnet {0} " " är felaktigt. Ett containernamn för formatet container/blob förväntades.

Fel 0080

Undantag inträffar när en kolumn med alla värden som saknas inte tillåts av modulen.

Det här Azure Machine Learning skapas när en eller flera av kolumnerna som används av modulen innehåller alla värden som saknas. Om en modul till exempel beräknar aggregerad 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.

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

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

Fel 0081

Undantag inträffar i PCA-modulen om antalet dimensioner att minska till är lika med antalet egenskapskolumner i indatauppsättningen, som innehåller minst en gles funktionskolumn.

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

Lösning: Överväg att minska antalet dimensioner i utdata till att vara färre än antalet dimensioner i indata. Detta är vanligt i pca-program. Mer information finns i Huvudkomponentanalys.

Undantagsmeddelanden
För datauppsättning som innehåller glesa egenskapskolumner ska antalet dimensioner som ska minskas vara mindre än antalet egenskapskolumner.

Fel 0082

Undantag inträffar när en modell inte kan deserialiseras.

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

Lösning: Träningsexperimentet som skapade modellen eller transformeringen måste köras igen och modellen eller transformeringen måste omköras.

Undantagsmeddelanden
Modellen kunde inte deserialiseras eftersom den sannolikt serialiseras med ett äldre serialiseringsformat. Träna om och spara modellen.

Fel 0083

Undantaget inträffar om datauppsättningen som används för träning inte kan användas för konkret typ av utbildning.

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

Lösning: Läs dokumentationen för användaren som används för att kontrollera kraven för indatauppsättningen. 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. Lästyp: {1} .

Fel 0084

Undantag inträffar när poäng som produceras från ett R-skript utvärderas. Detta stöds för närvarande inte.

Det här Azure Machine Learning inträffar om du försöker använda någon 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

Undantag inträffar när skriptutvärderingen misslyckas med ett fel.

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

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

Undantagsmeddelanden
Fel vid utvärdering av skript.
Följande fel uppstod under skriptutvärderingen. Mer information finns i utdataloggen: ---------- Start of error message from {0} interpreter ---------- ---------- End of error message from interpreter {1} {0} ----------

Fel 0086

Undantag inträffar när en räknande transformering är ogiltig.

Det här Azure Machine Learning inträffar när du väljer en transformering baserat på en count-tabell, men den valda transformeringen inte är kompatibel med aktuella data eller med den nya count-tabellen.

Lösning: Modulen har stöd för att spara antalet och reglerna som utgör transformeringen i två olika format. Om du sammanfogar count-tabeller kontrollerar du att båda tabellerna som du vill sammanfoga använder samma format.

I allmänhet kan en antalsbaserad transformering endast tillämpas på datauppsättningar som har samma schema som datauppsättningen som transformeringen ursprungligen skapades på.

Allmän information finns i Inlärning med antal. Krav som är specifika för att skapa och sammanfoga count-baserade funktioner finns i följande avsnitt:

Undantagsmeddelanden
Ogiltig räkningstransform har angetts.
Inventeringstransformeringen vid indataporten {0} ' ' är ogiltig.
Beräkningstransformeringen vid indataporten {0} ' kan inte sammanfogas med beräkningstransformeringen vid indataporten {1} ' '. Kontrollera att metadata används för att räkna matchningar.

Fel 0087

Undantag inträffar när en tabelltyp för ogiltigt antal har angetts för inlärning med moduler för antal.

Det här Azure Machine Learning inträffar när du försöker importera en befintlig antalstabell, men tabellen är inkompatibel med aktuella data eller med den nya count-tabellen.

Lösning: Det finns olika format för att spara antalet och reglerna som utgör transformeringen. Om du sammanfogar count-tabeller kontrollerar du att båda använder samma format.

I allmänhet kan en antalsbaserad transformering endast tillämpas på datauppsättningar som har samma schema som den datauppsättning som transformeringen ursprungligen skapades på.

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

Fel 0088

Undantag inträffar när en ogiltig inventeringstyp har angetts för inlärning med moduler för antal.

Det här Azure Machine Learning inträffar när du försöker använda en annan beräkningsmetod än vad som stöds för count-baserad featurization.

Lösning: I allmänhet väljs beräkningsmetoder från en listrutan, så du bör inte se det här felet.

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

Undantagsmeddelanden
Ogiltig inventeringstyp har angetts.
Den angivna inventeringstypen {0} " " är inte en giltig inventeringstyp.

Fel 0089

Undantaget inträffar när det angivna antalet klasser är mindre än det faktiska antalet klasser i en datauppsättning som används för inventering.

Det här Azure Machine Learning inträffar när du skapar en count-tabell och etikettkolumnen innehåller ett annat antal klasser än du angav i modulparametrarna.

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

Antalstabellen kan inte automatiskt fastställa antalet tillgängliga klasser.

När du skapar count-tabellen 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 klasser som anges är " ", vilket inte är större än ett {0} etikettvärde {1} " " i den datauppsättning 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

Undantag inträffar när det inte går att skapa Hive-tabellen.

Det här Azure 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.

Lösning: 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 ser du till att namnet på Azure-lagringskontot som är associerat med klustret är detsamma som det som skickas via modulparametern.
Hive-tabellen {0} " " kunde inte skapas. För ett HDInsight-kluster ser du till att namnet på Azure-lagringskontot som är associerat med klustret är detsamma som det som skickas via modulparametern.
Hive-tabellen {0} " " kunde inte skapas. För ett HDInsight-kluster ser du till att namnet på Azure-lagringskontot som är associerat med klustret är " {1} ".

Fel 0100

Undantaget inträffar när ett språk som inte stöds har angetts för en anpassad modul.

Det här Azure Machine Learning uppstår när du skapar en anpassad modul och namnegenskapen för elementet Language i en xml-definitionsfil för en anpassad modul har ett ogiltigt värde. För närvarande är det enda giltiga värdet för den här egenskapen R . Exempel:

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

Lösning: Kontrollera att namnegenskapen för Language-elementet i xml-definitionsfilen för den anpassade modulen har angetts till R . Spara filen, uppdatera zip-paketet för den anpassade modulen och försök att lägga till den anpassade modulen igen.

Undantagsmeddelanden
Anpassat modulspråk som inte stöds har angetts

Fel 0101

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

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

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

Undantagsmeddelanden
Alla port- och parameter-ID:er för en modul måste vara unika
Modulen ' {0} ' har dubbletter av port-/argument-ID:er. Alla port-/argument-ID:er måste vara unika för en modul.

Fel 0102

Utlåst när en ZIP-fil inte kan extraheras.

Det här Azure Machine Learning inträffar när du importerar ett komprimerat paket med filnamnstillägget .zip, men paketet antingen inte är en zip-fil eller om filen inte använder zip-format som stöds.

Lösning: Kontrollera att den valda filen är en giltig ZIP-fil och att den komprimerades med någon av de komprimeringsalgoritmer som stöds.

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

Försök att läsa önskade filer i en ny komprimerad komprimerad mapp och försök att lägga till den anpassade modulen igen.

Undantagsmeddelanden
Den angivna ZIP-filen har inte rätt format

Fel 0103

Utlåst när en ZIP-fil inte innehåller några XML-filer

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

Lösning: 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 bör finnas direkt i den mapp 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 zippa eftersom detta skapar en undermapp i zip-paketet med samma namn som den mapp som du har valt att zippa.

Undantagsmeddelanden
En viss ZIP-fil innehåller inte några moduldefinitionsfiler (XML-filer)

Fel 0104

Körs när en moduldefinitionsfil refererar till ett skript som inte går att hitta

Det här felet Azure Machine Learning när en xml-definitionsfil för en anpassad modul refererar till en skriptfil i language-elementet som inte finns i zip-paketet. Sökvägen till skriptfilen definieras i egenskapen sourceFile för elementet Language. Sökvägen till källfilen är relativ till roten för zip-paketet (samma plats som modulens xml-definitionsfiler). Om skriptfilen finns i en undermapp måste den relativa sökvägen till skriptfilen anges. Om till exempel alla skript lagrades i en myScripts-mapp i zip-paketet skulle language-elementet behöva lägga till den här sökvägen i egenskapen sourceFile enligt nedan. Exempel:

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

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

Undantagsmeddelanden
Refererad R-skriptfil finns inte.
Det går inte att hitta den refererade {0} R-skriptfilen . 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 Azure Machine Learning skapas när du skapar en anpassad xml-moduldefinition och typen av en parameter eller ett argument i definitionen inte matchar en typ som stöds.

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

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

Fel 0106

Visas när en moduldefinitionsfil definierar en indatatyp som inte stöds

Det här felet Azure Machine Learning skapas när typen av en indataport i en anpassad XML-moduldefinition inte matchar en typ som stöds.

Lösning: Kontrollera att type-egenskapen för ett Input-element i XML-definitionsfilen för den anpassade modulen är en typ som stöds.

Undantagsmeddelanden
Indatatypen stöds inte.
Indatatypen "" stöds {0} inte.

Fel 0107

Visas när en moduldefinitionsfil definierar en utdatatyp som inte stöds

Det här felet Azure Machine Learning skapas när typen av en utdataport i en anpassad xml-moduldefinition inte matchar en typ som stöds.

Lösning: Kontrollera att type-egenskapen för ett output-element i xml-definitionsfilen för den anpassade modulen är en typ som stöds.

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

Fel 0108

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

Det här felet i Azure Machine Learning skapas när för många indata- eller utdataportar definieras i en anpassad xml-definition för modulen.

Lösning: Kontrollerar 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
Antalet indata- eller utdataportar som stöds har överskridits.
Antalet portar som stöds {0} har överskridits. Det högsta tillåtna antalet {0} portar är {1} " ".

Fel 0109

Visas när en moduldefinitionsfil definierar en kolumnväljare felaktigt

Det här felet Azure Machine Learning skapas när syntaxen för ett kolumnväljargument innehåller ett fel i en xml-definition för en anpassad modul.

Lösning: Det här felet uppstår när syntaxen för ett kolumnväljargument innehåller ett fel i en xml-definition för en anpassad modul.

Undantagsmeddelanden
Syntax som inte stöds för kolumnväljaren.

Fel 0110

Visas när en moduldefinitionsfil definierar en kolumnväljare som refererar till ett port-ID som inte finns

Det här Azure Machine Learning skapas när egenskapen portId i properties-elementet för en Arg av typen ColumnPicker inte matchar ID-värdet för en indataport.

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

Undantagsmeddelanden
Kolumnväljaren refererar till ett indataport-ID som inte finns.
Kolumnväljaren refererar till ett indataport-ID som inte {0} finns.

Fel 0111

Visas när en moduldefinitionsfil definierar en ogiltig egenskap

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

Lösning: Kontrollera att egenskapen stöds av det anpassade modulelementet.

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

Fel 0112

När en moduldefinitionsfil inte kan parsas

Det här Azure Machine Learning skapas när det finns ett fel i xml-formatet som förhindrar att XML-definitionen för den anpassade modulen parsas som en giltig XML-fil.

Lösning: 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

Visas när en moduldefinitionsfil innehåller fel.

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

Lösning: Kontrollera att den anpassade moduldefinitionsfilen definierar element och egenskaper som stöds av anpassade moduler.

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

Fel 0114

Det går inte att skapa en anpassad modul.

Det här felet Azure Machine Learning skapas när en anpassad modulbygge misslyckas. Detta inträffar när ett eller flera anpassade modulrelaterade fel påträffas när du lägger till den anpassade modulen. Ytterligare fel rapporteras i det här felmeddelandet.

Lösning: Lös de fel som rapporteras i det här undantagsmeddelandet.

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

Fel 0115

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

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

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

Undantagsmeddelanden
Utsträckning som inte stöds för standardskript.
Filtillägget stöds inte {0} för standardskriptet.

Fel 0121

Visas när SQL-skrivningar misslyckas eftersom tabellen inte kan skrivas ut

Det här Azure Machine Learning skapas när du använder modulen Exportera data för att spara resultat till en tabell i en SQL-databas och tabellen inte kan skrivas till. Normalt visas det här felet om modulen Exportera data upprättar en anslutning med 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-inloggningen som är associerad med användarnamnet och lösenordet har behörighet att skriva till tabellen.
  • Om undantaget innehåller ytterligare felinformation från SQL Server använder du informationen för att göra ändringar.
Undantagsmeddelanden
Ansluten till servern, det går inte att skriva till tabellen.
Det går inte att skriva till Sql-tabellen: {0}

Fel 0122

Undantaget inträffar om flera viktkolumner har angetts och bara en tillåts.

Det här Azure Machine Learning inträffar när för många kolumner har valts som viktade kolumner.

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

Undantagsmeddelanden
Flera viktkolumner anges.

Fel 0123

Undantaget inträffar om kolumn med vektorer har angetts till Kolumnen Etikett.

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

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

Undantagsmeddelanden
Kolumn med vektorer anges som etikettkolumn.

Fel 0124

Undantag inträffar om icke-numeriska kolumner har angetts som viktkolumn.

Lösning:

Undantagsmeddelanden
Icke-numerisk kolumn anges som viktkolumn.

Fel 0125

Visas när schemat för flera datauppsättningar inte matchar.

Lösning:

Undantagsmeddelanden
Datauppsättningsschemat matchar inte.

Fel 0126

Undantaget 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 Azure 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 följande tillåtna SQL-domäner: ".database.windows.net", ".cloudapp.net" eller ".database.secure.windows.net". Det innebär att servern måste vara en Azure SQL server eller en server på en virtuell dator i Azure.

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

  • .database.windows.net

  • .cloudapp.net

  • .database.secure.windows.net

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

Fel 0127

Bildpunktsstorleken överskrider den tillåtna gränsen

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

Lösning: 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 villkorliga sannolikheter för kategorikolumner överskrider gränsen.

Lösning:

Undantagsmeddelanden
Antalet villkorliga sannolikheter för kategorikolumner överskrider gränsen.
Antalet villkorliga sannolikheter för kategorikolumner överskrider gränsen. Kolumnerna {0} " " och " är det {1} problematiska paret.

Fel 0129

Antalet kolumner i datauppsättningen överskrider den tillåtna gränsen.

Lösning:

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

Fel 0130

Undantag inträffar när alla rader i träningsdatauppsättningen innehåller saknade värden.

Detta inträffar när en kolumn i träningsdatauppsättningen är tom.

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

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

Fel 0131

Undantag inträffar om en eller flera datauppsättningar i en ZIP-fil inte 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 någon av filerna i den är skadad, eller om det uppstår ett systemfel när du försöker packa upp och expandera en fil.

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

Undantagsmeddelanden
Det gick inte att ladda upp komprimerade datauppsättningar
Komprimerad {0} datauppsättning misslyckades med följande meddelande: {1}
Komprimerad {0} datauppsättning misslyckades med {1} ett undantag med meddelandet: {2}

Fel 0132

Inget filnamn har angetts för uppackning; flera filer hittades i zip-filen.

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

Lösning: 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 filen som ska expanderas.
Filen innehåller mer än en fil. Ange den fil som ska expanderas. Följande filer hittades: {0}

Fel 0133

Den angivna filen hittades inte i ZIP-filen

Det här felet uppstår när filnamnet som anges i fältet Datauppsättning som ska packas 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 för att expandera filen.

Lösning: Gå tillbaka till modulen. Om namnet på filen som du vill dekomprimera visas i listan över filer som hittades kopierar du filnamnet och klistrar in det i rutan Datauppsättning till Packa upp egenskap. Om du inte ser önskat filnamn i listan kontrollerar du att du har rätt ZIP-fil och rätt namn för den önskade filen.

Undantagsmeddelanden
Den angivna filen hittades inte i ZIP-filen.
Den angivna filen hittades inte. Följande filer hittades: {0}

Fel 0134

Undantag inträffar när etikettkolumnen saknas eller har otillräckligt antal märkta rader.

Det här felet uppstår när modulen kräver en etikettkolumn, men du inte tog med någon 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 underordnad åtgärd. Anta till exempel att du använder ett uttryck i partitions- och exempelmodulen för att dividera en datauppsättning med värden. Om inga matchningar hittas för ditt uttryck är en av de datauppsättningar som är resultatet av 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 data som saknas 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 ett minsta antal rader med data, men data innehåller bara några rader eller bara en rubrik.

Undantagsmeddelanden
Undantaget inträffar när etikettkolumnen saknas eller har otillräckligt antal märkta rader.
Undantag inträffar när etikettkolumnen saknas eller har färre än {0} märkta rader

Fel 0135

Endast centroidbaserat kluster stöds.

Lösning: 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 går därför inte att bearbeta filen.

Lösning:

Undantagsmeddelanden
Inget filnamn returnerades. det går därför inte att bearbeta filen.

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-tabelllagringsegenskapen och datauppsättningskolumnen. Ytterligare information: {0}

Fel 0138

Minnet har förbrukats, det går inte att slutföra körningen av modulen. Nedsampling av datauppsättningen kan hjälpa till att minska 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.

Lösning: Om du försöker läsa en stor datauppsättning och åtgärden inte kan slutföras kan nedsampling av datauppsättningen vara till hjälp.

Om du använder visualiseringar på datauppsättningar för att kontrollera kolumners kardinalitet samplas bara vissa rader. Om du vill få en fullständig rapport använder du Sammanfatta data. Du kan också använda Tillämpa SQL-transformering för att söka efter antalet unika värden i varje kolumn.

Ibland kan tillfälliga inbelastningar leda till det här felet. Datorstöd ändras också över tid. I vanliga Azure Machine Learning finns en beskrivning av datastorleken som stöds.

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

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

Fel 0139

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

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

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

Lösning:

  1. Granska dina indata och fastställ den exakta datatypen för den kolumn som du vill använda och datatypen för den kolumn som producerar 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 hjälpsidan för modulen för att kontrollera kraven för den angivna åtgärden. Fastställ vilka datatyper som stöds av den aktuella modulen och vilka värdeintervall som stöds.

  3. Om värden behöver trunkeras, avrundas eller extremvärden tas bort använder du modulerna Tillämpa matematisk åtgärd eller Clip Values (Clip Values) för att göra ändringar.

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

Fel 0140

Undantaget inträffar om det skickade 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 endast har angett etikettkolumnen.

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

Undantagsmeddelanden
Den angivna kolumnuppsättningen innehåller inte andra kolumner förutom etikettkolumnen.

Fel 0141

Undantaget inträffar om antalet valda numeriska kolumner och unika värden i de kategoriska kolumnerna och strängkolumnerna är för små.

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

Lösning: Vissa åtgärder utför statistiska åtgärder på funktionskolumner och kategorikolumner, 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 fature och label och avgör om den åtgärd som du försöker utföra är statistiskt giltig.

Om källdatauppsättningen är giltig kan du också kontrollera om en överordnad datamanipulering eller metadataåtgärd har ändrat data och tagit bort vissa 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 små.
Det totala antalet valda numeriska kolumner och unika värden i de kategoriska kolumnerna och strängkolumnerna (för närvarande {0} ) bör vara minst {1}

Fel 0142

Undantag inträffar när systemet inte kan läsa in certifikat för autentisering.

Lösning:

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

Fel 0143

Det går inte att parsa url som användaren anger och som ska vara från GitHub.

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

Lösning: Kontrollera att URL:en refererar till en giltig GitHub-lagringsplats. Andra platstyper stöds inte.

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

Fel 0144

Den förväntade delen saknas i GitHub-URL:en som tillhandahålls av användaren.

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

Lösning: Kontrollera att URL:en för GitHub-lagringsplatsen är giltig och slutar med \blob\ eller \tree \ .

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

Fel 0145

Det går inte att skapa replikeringskatalogen av någon anledning.

Det här Azure 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 Azure Machine Learning uppstår när du extraherar filer, men vissa filnamn är för långa när de packas upp.

Lösning: Redigera filnamnen så att den kombinerade sökvägen och filnamnet inte får vara längre än 248 tecken.

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

Fel 0147

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

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

Lösning: Problemet kan vara tillfälligt. du kan försöka komma åt filerna vid en annan tidpunkt. Eller kontrollera att du har de behörigheter som krävs och att källan är giltig.

Undantagsmeddelanden
GitHub-åtkomstfel.
GitHub-åtkomstfel. {0}

Fel 0148

Problem med obehörig åtkomst vid extrahering av data eller skapande av katalog.

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

Lösning:

Undantagsmeddelanden
Undantag vid obehörig åtkomst vid extrahering av data.

Fel 0149

Användarfilen finns inte i GitHub-paketet.

Det här Azure Machine Learning inträffar när det inte går att hitta den angivna filen.

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 Azure 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

Det uppstod ett fel vid skrivning till molnlagring. Kontrollera URL:en.

Det här Azure Machine Learning inträffar när modulen försöker skriva data till molnlagringen 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 lagringsslutpunkt: {0}

Fel 0154

Det gick inte att matcha det angivna servernamnet

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

Det uppstod ett fel vid läsning från Azure Cosmos DB på grund av inkonsekventa eller olika dokumentscheman. Läsare 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 anges för att samla in annars ohanterade interna motorfel. Därför kan orsaken till det här felet vara olika beroende på vilken modul som genererade felet.

För att få mer hjälp rekommenderar vi att du publicerar det detaljerade meddelandet som medföljer felet i Azure 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 moduler

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