Tasarımcı için özel durumlar ve hata kodları

Makale
04/04/2023

Bu makalede, makine öğrenmesi işlem hatlarınızın sorunlarını gidermenize yardımcı olmak için Azure Machine Learning tasarımcısındaki hata iletileri ve özel durum kodları açıklanmaktadır.

Tasarımcıda şu adımları izleyerek hata iletisini bulabilirsiniz:

Başarısız olan bileşeni seçin, Outputs+logs sekmesine gidin, ayrıntılı günlüğü azureml-logs kategorisinin altındaki 70_driver_log.txt dosyasında bulabilirsiniz.
Ayrıntılı bileşen hatası için, module_statistics kategorisi altındaki error_info.json dosyasından de kontrol edebilirsiniz.

Aşağıda tasarımcıdaki bileşenlerin hata kodları yer alır.

Hata 0001

Belirtilen bir veya daha fazla veri kümesi sütunu bulunamadığında özel durum oluşur.

Bir bileşen için sütun seçimi yapıldığında ancak seçilen sütunlarda giriş veri kümesinde yoksa bu hatayı alırsınız. Bu hata, bir sütun adını el ile yazdıysanız veya işlem hattını çalıştırdığınızda sütun seçici veri kümenizde bulunmayan önerilen bir sütun sağladıysa oluşabilir.

Çözüm: Bu özel durumu oluşturan bileşeni yeniden ziyaret edin ve sütun adının veya adlarının doğru olduğunu ve başvurulan tüm sütunların mevcut olduğunu doğrulayın.

Özel Durum İletileri
Belirtilen bir veya daha fazla sütun bulunamadı.
Adı veya dizini "{column_id}" olan sütun bulunamadı.
Adı veya dizini "{column_id}" olan sütun "{arg_name_missing_column}" içinde yok.
"{column_id}" adlı sütun "{arg_name_missing_column}" içinde değil, "{arg_name_has_column}" içinde var.
Adı veya dizini "{column_names}" olan sütunlar bulunamadı.
"{column_names}" adlı veya dizinli sütunlar "{arg_name_missing_column}" içinde yok.
Adı veya dizini "{column_names}" olan sütunlar "{arg_name_missing_column}" içinde yok, ancak "{arg_name_has_column}" içinde var.

Hata 0002

Bir veya daha fazla parametre ayrıştırılamadıysa veya belirtilen türden hedef yöntem türü için gerekli duruma dönüştürülemediyse özel durum oluşur.

Giriş olarak bir parametre belirttiğinizde ve değer türü beklenen türden farklı olduğunda ve örtük dönüştürme gerçekleştirilemediğinde bu hata Azure Machine Learning'de oluşur.

Çözüm: Bileşen gereksinimlerini denetleyin ve hangi değer türünün (dize, tamsayı, çift vb.) gerekli olduğunu belirleyin

Özel Durum İletileri
Parametre ayrıştırılamadı.
"{arg_name_or_column}" parametresi ayrıştırılamadı.
"{arg_name_or_column}" parametresi "{to_type}" olarak dönüştürülemedi.
"{arg_name_or_column}" parametresi "{from_type}" olan "{to_type}" öğesine dönüştürülemedi.
"{arg_name_or_column}" parametre değeri "{arg_value}" "{from_type}" olan "{to_type}" değerine dönüştürülemedi.
"{arg_name_or_column}" sütunundaki "{arg_value}" değeri "{from_type}" olan "{to_type}" değerine dönüştürülemedi ve "{fmt}" biçimi kullanıldı.

Hata 0003

Bir veya daha fazla giriş null veya boşsa özel durum oluşur.

Bir bileşene yönelik herhangi bir giriş veya parametre null veya boşsa Azure Machine Learning'de bu hatayı alırsınız. Bu hata, örneğin bir parametre için herhangi bir değer yazmadığınızda oluşabilir. Eksik değerleri olan bir veri kümesi veya boş bir veri kümesi seçerseniz de bu durum oluşabilir.

Çözüm:

Özel durumu oluşturan bileşeni açın ve tüm girişlerin belirtildiğini doğrulayın. Tüm gerekli girişlerin belirtildiğine emin olun.
Azure depolama alanından yüklenen verilerin erişilebilir olduğundan ve hesap adının veya anahtarının değişmediğinden emin olun.
Eksik değerler veya null değerler için giriş verilerini denetleyin.
Veri kaynağında sorgu kullanıyorsanız, verilerin beklediğiniz biçimde döndürüldüğünü doğrulayın.
Veri belirtiminde yazım hatalarını veya diğer değişiklikleri denetleyin.

Özel Durum İletileri
Bir veya daha fazla giriş null veya boş.
"{name}" girişi null veya boş.

Hata 0004

Parametre belirli bir değerden küçük veya buna eşitse özel durum oluşur.

İletideki parametre, bileşenin verileri işlemesi için gereken sınır değerinin altındaysa Azure Machine Learning'de bu hatayı alırsınız.

Çözüm: Özel durumu oluşturan bileşeni yeniden ziyaret edin ve parametresini belirtilen değerden büyük olacak şekilde değiştirin.

Özel Durum İletileri
Parametre sınır değerinden büyük olmalıdır.
"{arg_name}" parametresi değeri {lower_boundary} değerinden büyük olmalıdır.
"{arg_name}" parametresi "{actual_value}" değerine sahip ve {lower_boundary} değerinden büyük olmalıdır.

Hata 0005

Parametre belirli bir değerden küçükse özel durum oluşur.

İletideki parametre, bileşenin verileri işlemesi için gereken sınır değerinin altında veya buna eşitse Azure Machine Learning'de bu hatayı alırsınız.

Çözüm: Özel durum oluşturan bileşeni yeniden ziyaret edin ve parametresini belirtilen değerden büyük veya buna eşit olacak şekilde değiştirin.

Özel Durum İletileri
Parametre sınır değerinden büyük veya buna eşit olmalıdır.
"{arg_name}" parametresi değeri {lower_boundary} değerinden büyük veya buna eşit olmalıdır.
"{arg_name}" parametresinin "{value}" değeri {lower_boundary} değerinden büyük veya buna eşit olmalıdır.

Hata 0006

Parametre belirtilen değerden büyük veya buna eşitse özel durum oluşur.

İletideki parametre, bileşenin verileri işlemesi için gereken sınır değerinden büyük veya buna eşitse Azure Machine Learning'de bu hatayı alırsınız.

Çözüm: Özel durum oluşturan bileşeni yeniden ziyaret edin ve parametresini belirtilen değerden küçük olacak şekilde değiştirin.

Özel Durum İletileri
Parametreler uyuşmazlığı. Parametrelerden biri diğerinden küçük olmalıdır.
"{arg_name}" parametresi değeri "{upper_boundary_parameter_name}" parametresinden küçük olmalıdır.
"{arg_name}" parametresi {upper_boundary_parameter_name} değerinden küçük olması gereken "{value}" değerine sahip.

Hata 0007

Parametre belirli bir değerden büyükse özel durum oluşur.

Bileşenin özelliklerinde izin verilenden büyük bir değer belirttiyseniz Azure Machine Learning'de bu hatayı alırsınız. Örneğin, desteklenen tarih aralığının dışında bir veri belirtebilir veya yalnızca üç sütun kullanılabilir olduğunda beş sütunun kullanılacağını belirtebilirsiniz.

Bir şekilde eşleşmesi gereken iki veri kümesi belirtirseniz de bu hatayı görebilirsiniz. Örneğin, sütunları yeniden adlandırıyorsanız ve sütunları dizine göre belirtirseniz, sağladığınız ad sayısı sütun dizinlerinin sayısıyla eşleşmelidir. Başka bir örnek, sütunların aynı sayıda satıra sahip olması gereken iki sütun kullanan bir matematik işlemi olabilir.

Çözüm:

Söz konusu bileşeni açın ve sayısal özellik ayarlarını gözden geçirin.
Tüm parametre değerlerinin bu özellik için desteklenen değer aralığı içinde olduğundan emin olun.
Bileşen birden çok giriş alıyorsa, girişlerin aynı boyutta olduğundan emin olun.

Veri kümesinin veya veri kaynağının değişip değişmediğini denetleyin. Bazen verilerin önceki bir sürümüyle çalışan bir değer, sütun sayısı, sütun veri türleri veya verilerin boyutu değiştikten sonra başarısız olur.

Özel durum iletileri
Parametreler uyuşmazlığı. Parametrelerden biri diğerine eşit veya ondan küçük olmalıdır.
"{arg_name}" parametresi değeri "{upper_boundary_parameter_name}" parametresi değerinden küçük veya buna eşit olmalıdır.
"{arg_name}" parametresi "{actual_value}" değerine sahip ve {upper_boundary} değerinden küçük veya buna eşit olmalıdır.
"{arg_name}" parametresi değeri {actual_value} "{upper_boundary_parameter_name}" değeri {upper_boundary} değerinden küçük veya buna eşit olmalıdır.
"{arg_name}" parametresi {actual_value} değeri {upper_boundary} {upper_boundary_meaning} değerinden küçük veya buna eşit olmalıdır.

Hata 0008

Parametre aralıkta değilse özel durum oluşur.

İletideki parametre, bileşenin verileri işlemesi için gereken sınırların dışındaysa Azure Machine Learning'de bu hatayı alırsınız.

Örneğin, farklı sayıda sütuna sahip iki veri kümesini birleştirmek için Satır Ekle'yi kullanmayı denerseniz bu hata görüntülenir.

Çözüm: Özel durumu oluşturan bileşeni yeniden ziyaret edin ve parametresini belirtilen aralık içinde olacak şekilde değiştirin.

Özel Durum İletileri
Parametre değeri belirtilen aralıkta değil.
"{arg_name}" parametresi değeri aralıkta değil.
"{arg_name}" parametresi değeri [{lower_boundary}, {upper_boundary}] aralığında olmalıdır.
"{arg_name}" parametresi değeri aralıkta değil. {reason}

Hata 0009

Azure depolama hesabı adı veya kapsayıcı adı yanlış belirtildiğinde özel durum oluşur.

Bu hata, azure depolama hesabı için parametreler belirttiğinizde Azure Machine Learning tasarımcısında oluşur, ancak ad veya parola çözülemez. Parolalarda veya hesap adlarında hatalar birçok nedenden dolayı oluşabilir:

Hesap yanlış türde. Bazı yeni hesap türleri Machine Learning tasarımcısıyla kullanılmak üzere desteklenmez. Ayrıntılar için bkz . Verileri İçeri Aktarma.
Yanlış hesap adı girdiniz
Hesap artık yok
Depolama hesabının parolası yanlış veya değişmiş
Kapsayıcı adını belirtmediyseniz veya kapsayıcı yok
Dosya yolunu tam olarak belirtmediyseniz (blob yolu)

Çözüm:

Bu tür sorunlar genellikle hesap adını, parolayı veya kapsayıcı yolunu el ile girmeye çalıştığınızda oluşur. Verileri İçeri Aktar bileşeni için adları aramanıza ve denetlemenize yardımcı olan yeni sihirbazı kullanmanızı öneririz.

Ayrıca hesabın, kapsayıcının veya blob'un silinip silinmediğini denetleyin. Hesap adı ve parolasının doğru girildiğini ve kapsayıcının mevcut olduğunu doğrulamak için başka bir Azure depolama yardımcı programı kullanın.

Bazı yeni hesap türleri Azure Machine Learning tarafından desteklenmez. Örneğin, yeni "sık erişimli" veya "soğuk" depolama türleri makine öğrenmesi için kullanılamaz. Hem klasik depolama hesapları hem de "Genel amaçlı" olarak oluşturulan depolama hesapları sorunsuz çalışır.

Bir blob'un tam yolu belirtildiyse, yolun kapsayıcı/blobname olarak belirtildiğini ve hem kapsayıcının hem de blob'un hesapta mevcut olduğunu doğrulayın.

Yol, baştaki eğik çizgi içermemelidir. Örneğin /container/blob yanlıştır ve kapsayıcı/blob olarak girilmelidir.

Özel Durum İletileri
Azure depolama hesabı adı veya kapsayıcı adı yanlış.
Azure depolama hesabı adı "{account_name}" veya kapsayıcı adı "{container_name}" yanlış; kapsayıcı/blob biçiminin kapsayıcı adı bekleniyordu.

Hata 0010

Giriş veri kümelerinde eşleşmesi gereken ancak eşleşmeyen sütun adları varsa özel durum oluşur.

İletideki sütun dizininin iki giriş veri kümesinde farklı sütun adları varsa Azure Machine Learning'de bu hatayı alırsınız.

Çözüm: Meta Verileri Düzenle'yi kullanın veya özgün veri kümesini belirtilen sütun dizini için aynı sütun adına sahip olacak şekilde değiştirin.

Özel Durum İletileri
Giriş veri kümelerinde karşılık gelen dizine sahip sütunların adları farklıdır.
Sütun adları, giriş veri kümelerinin (sırasıyla {dataset1} ve {dataset2}) {col_index} (sıfır tabanlı) sütunu için aynı değildir.

Hata 0011

Geçirilen sütun kümesi bağımsız değişkeni veri kümesi sütunlarının hiçbirine uygulanmazsa özel durum oluşur.

Belirtilen sütun seçimi belirtilen veri kümesindeki sütunlardan herhangi biriyle eşleşmiyorsa Azure Machine Learning'de bu hatayı alırsınız.

Ayrıca, bir sütun seçmediyseniz ve bileşenin çalışması için en az bir sütun gerekiyorsa bu hatayı alabilirsiniz.

Çözüm: Bileşendeki sütun seçimini, veri kümesindeki sütunlara uygulanacak şekilde değiştirin.

Bileşen, etiket sütunu gibi belirli bir sütunu seçmenizi gerektiriyorsa, doğru sütunun seçili olduğunu doğrulayın.

Uygun olmayan sütunlar seçilirse, bunları kaldırın ve işlem hattını yeniden çalıştırın.

Özel Durum İletileri
Belirtilen sütun kümesi veri kümesi sütunlarının hiçbirine uygulanmaz.
Belirtilen "{column_set}" sütun kümesi veri kümesi sütunlarının hiçbirine uygulanmaz.

Hata 0012

Sınıfın örneği geçirilen bağımsız değişkenler kümesiyle oluşturulamadıysa özel durum oluşur.

Çözüm: Bu hata kullanıcı tarafından eyleme dönüştürülemez ve gelecek bir sürümde kullanımdan kaldırılacaktır.

Özel Durum İletileri
Eğitilmemiş model, lütfen önce modeli eğitin.
Eğitilmemiş model ({arg_name}), eğitilmiş modeli kullanın.

Hata 0013

Bileşene geçirilen öğrenci geçersiz bir türse özel durum oluşur.

Eğitilen bir model bağlı puanlama bileşeniyle uyumsuz olduğunda bu hata oluşur.

Çözüm:

Eğitim bileşeni tarafından üretilen öğrenci türünü ve öğrenci için uygun puanlama bileşenini belirleyin.

Model özelleştirilmiş eğitim bileşenlerinden herhangi biri kullanılarak eğitildiyse, eğitilen modeli yalnızca ilgili özel puanlama bileşenine bağlayın.

Model türü	Eğitim bileşeni	Puanlama bileşeni
herhangi bir sınıflandırıcı	Modeli Eğit	Modeli Puanla
herhangi bir regresyon modeli	Modeli Eğit	Modeli Puanla

Özel Durum İletileri
Geçersiz türde bir öğrenci geçirildi.
"{arg_name}" öğrenci türü geçersiz.
"{arg_name}" öğrencisinde geçersiz tür "{learner_type}" var.
Geçersiz türde bir öğrenci geçirildi. Özel durum iletisi: {exception_message}

Hata 0014

Sütun benzersiz değerlerinin sayısı izin verilenden büyükse özel durum oluşur.

Bu hata, bir sütun kimlik sütunu veya metin sütunu gibi çok fazla benzersiz değer içerdiğinde oluşur. Bir sütunun kategorik veri olarak işleneceğini ancak sütunda işlemenin tamamlanmasına izin veremeyecek kadar çok sayıda benzersiz değer olduğunu belirtirseniz bu hatayı görebilirsiniz. İki girişteki benzersiz değerlerin sayısı arasında bir uyuşmazlık varsa da bu hatayı görebilirsiniz.

Aşağıdaki koşulların her ikisi de karşılanırsa, benzersiz değerlerin hatası izin verilenden büyük olur:

Bir sütunun %97'den fazla örneği benzersiz değerlerdir ve bu da neredeyse tüm kategorilerin birbirinden farklı olduğu anlamına gelir.
Bir sütunda 1000'den fazla benzersiz değer vardır.

Çözüm:

Hatayı oluşturan bileşeni açın ve giriş olarak kullanılan sütunları belirleyin. Bazı bileşenler için veri kümesi girişine sağ tıklayıp Görselleştir'i seçerek benzersiz değerlerin sayısı ve bunların dağılımı dahil olmak üzere tek tek sütunlar hakkında istatistikler alabilirsiniz.

Gruplandırma veya kategorilere ayırma için kullanmayı planladığınız sütunlar için, sütunlardaki benzersiz değerlerin sayısını azaltmaya yönelik adımları uygulayın. Sütunun veri türüne bağlı olarak farklı şekillerde azaltabilirsiniz.

Modeli eğitme sırasında anlamlı özellikler olmayan kimlik sütunları için, Meta Verileri Düzenle'yi kullanarak bu sütunu Temizle özelliği olarak işaretleyebilirsiniz ve model eğitilirken kullanılmaz.

Metin sütunları için, metin sütunlarını önceden işlemek için Özellik Karması veya Metin bileşeninden N-Gram Özelliklerini Ayıklama özelliğini kullanabilirsiniz.

Bahşiş

Senaryonuzla eşleşen bir çözüm bulamıyor musunuz? Bu konu hakkında, hatayı oluşturan bileşenin adını ve sütunun veri türünü ve kardinalitesini içeren geri bildirim sağlayabilirsiniz. Yaygın senaryolar için daha hedefli sorun giderme adımları sağlamak için bu bilgileri kullanacağız.

Özel Durum İletileri
Sütun benzersiz değerlerinin miktarı izin verilenden büyük.
Sütundaki benzersiz değerlerin sayısı: "{column_name}" izin verilenden büyük.
Sütundaki benzersiz değerlerin sayısı: "{column_name}" {limitation} tanımlama grubu sayısını aşıyor.

Hata 0015

Veritabanı bağlantısı başarısız olursa özel durum oluşur.

Yanlış bir SQL hesabı adı, parola, veritabanı sunucusu veya veritabanı adı girerseniz ya da veritabanı veya sunucuyla ilgili sorunlar nedeniyle veritabanıyla bağlantı kurulamıyorsa bu hatayı alırsınız.

Çözüm: Hesap adının, parolanın, veritabanı sunucusunun ve veritabanının doğru girildiğini ve belirtilen hesabın doğru izin düzeyine sahip olduğunu doğrulayın. Veritabanının şu anda erişilebilir olduğunu doğrulayın.

Özel Durum İletileri
Veritabanı bağlantısı yapılırken hata oluştu.
Veritabanı bağlantısı yapılırken hata oluştu: {connection_str}.

Hata 0016

Bileşene geçirilen giriş veri kümelerinin uyumlu sütun türlerine sahip olması gerekir ancak yoksa özel durum oluşur.

İki veya daha fazla veri kümesinde geçirilen sütun türleri birbiriyle uyumlu değilse Azure Machine Learning'de bu hatayı alırsınız.

Çözüm: Sütunların türlerinin uyumlu olduğundan emin olmak için Meta Verileri Düzenle'yi kullanın veya özgün giriş veri kümesini değiştirin.

Özel Durum İletileri
Giriş veri kümelerinde karşılık gelen dizine sahip sütunların türleri uyumsuz.
'{first_col_names}' sütunları eğitim ve test verileri arasında uyumsuz.
'{first_col_names}' ve '{second_col_names}' sütunları uyumsuz.
Sütun öğesi türleri, giriş veri kümelerinin (sırasıyla {first_dataset_names} ve {second_dataset_names}) '{first_col_names}' (sıfır tabanlı) sütunuyla uyumlu değil.

Hata 0017

Seçili sütun geçerli bileşen tarafından desteklenmeyen bir veri türü kullanıyorsa özel durum oluşur.

Örneğin, sütun seçiminiz matematik işlemi için dize sütunu veya kategorik özellik sütununun gerekli olduğu puan sütunu gibi bileşen tarafından işlenemeyen veri türüne sahip bir sütun içeriyorsa Azure Machine Learning'de bu hatayı alabilirsiniz.

Çözüm:

Sorun olan sütunu tanımlayın.
Bileşenin gereksinimlerini gözden geçirin.
Sütunu gereksinimlere uygun olacak şekilde değiştirin. Sütuna ve denediğiniz dönüştürmeye bağlı olarak değişiklik yapmak için aşağıdaki bileşenlerden birkaçını kullanmanız gerekebilir:
- Sütunların veri türünü değiştirmek veya sütun kullanımını özellikten sayısala, kategorik olmayana vb. değiştirmek için Meta Verileri Düzenle'yi kullanın.

Son çare olarak, özgün giriş veri kümesini değiştirmeniz gerekebilir.

Bahşiş

Özel Durum İletileri
Geçerli türde sütun işlenemiyor. Türü bileşen tarafından desteklenmiyor.
{col_type} türünde sütun işlenemiyor. Türü bileşen tarafından desteklenmiyor.
{col_type} türünde "{col_name}" sütunu işlenemiyor. Türü bileşen tarafından desteklenmiyor.
{col_type} türünde "{col_name}" sütunu işlenemiyor. Türü bileşen tarafından desteklenmiyor. Parametre adı: {arg_name}.

Hata 0018

Giriş veri kümesi geçerli değilse özel durum oluşur.

Çözüm: Azure Machine Learning'deki bu hata birçok bağlamda görünebileceğinden tek bir çözüm yoktur. Genel olarak hata, bir bileşene giriş olarak sağlanan verilerin yanlış sayıda sütuna sahip olduğunu veya veri türünün bileşenin gereksinimleriyle eşleşmediğini gösterir. Örneğin:

Bileşen bir etiket sütunu gerektirir, ancak hiçbir sütun etiket olarak işaretlenmez veya henüz bir etiket sütunu seçmediniz.
Bileşen, verilerin kategorik olmasını gerektirir, ancak verileriniz sayısaldır.

Veriler yanlış biçimde.
İçeri aktarılan veriler geçersiz karakterler, hatalı değerler veya aralık dışı değerler içeriyor.
Sütun boş veya çok fazla eksik değer içeriyor.

Gereksinimleri ve verilerinizin nasıl olabileceğini belirlemek için veri kümesini giriş olarak kullanacak bileşenin yardım konusunu gözden geçirin.

Özel Durum İletileri
Veri kümesi geçerli değil.
{dataset1} geçersiz veri içeriyor.
{dataset1} ve {dataset2} sütun yönünde tutarlı olmalıdır.
{dataset1} geçersiz veri içeriyor, {reason}.
{dataset1} {invalid_data_category} içeriyor. {troubleshoot_hint}
{dataset1} geçerli değil, {reason}. {troubleshoot_hint}

Hata 0019

Sütunun sıralanmış değerler içermesi bekleniyor ancak içermiyorsa özel durum oluşur.

Belirtilen sütun değerleri uygun değilse Azure Machine Learning'de bu hatayı alırsınız.

Çözüm: Giriş veri kümesini el ile değiştirerek ve bileşeni yeniden çalıştırarak sütun değerlerini sıralayın.

Özel Durum İletileri
Sütundaki değerler sıralanmaz.
"{col_index}" sütunundaki değerler sıralanmaz.
"{dataset}" veri kümesinin "{col_index}" sütunundaki değerler sıralanmaz.
"{arg_name}" bağımsız değişkenindeki değerler "{sorting_order}" düzeninde sıralanmaz.

Hata 0020

Bileşene geçirilen bazı veri kümelerindeki sütun sayısı çok küçükse özel durum oluşur.

Bir bileşen için yeterli sütun seçilmediyse Azure Machine Learning'de bu hatayı alırsınız.

Çözüm: Bileşeni yeniden ziyaret edin ve sütun seçicinin doğru sayıda sütun seçildiğinden emin olun.

Özel Durum İletileri
Giriş veri kümesindeki sütun sayısı izin verilen en düşük değerden azdır.
"{arg_name}" giriş veri kümesindeki sütun sayısı izin verilen en düşük değerden az.
Giriş veri kümesindeki sütun sayısı izin verilen en az {required_columns_count} sütundan azdır.
"{arg_name}" giriş veri kümesindeki sütun sayısı izin verilen en az {required_columns_count} sütundan az.

Hata 0021

Bileşene geçirilen bazı veri kümelerindeki satır sayısı çok küçükse özel durum oluşur.

Veri kümesinde belirtilen işlemi gerçekleştirmek için yeterli satır olmadığında Azure Machine Learning'de görülen bu hata. Örneğin, giriş veri kümesi boşsa veya en az sayıda satırın geçerli olmasını gerektiren bir işlem gerçekleştirmeye çalışıyorsanız bu hatayı görebilirsiniz. Bu tür işlemler istatistiksel yöntemlere, belirli gruplama türlerine ve sayılarla öğrenmeye dayalı gruplandırma veya sınıflandırma içerebilir (ancak bunlarla sınırlı değildir).

Çözüm:

Hatayı döndüren bileşeni açın ve giriş veri kümesini ve bileşen özelliklerini denetleyin.
Giriş veri kümesinin boş olmadığını ve bileşen yardımında açıklanan gereksinimleri karşılamak için yeterli veri satırı olduğunu doğrulayın.
Verileriniz bir dış kaynaktan yüklendiyse, veri kaynağının kullanılabilir olduğundan ve veri tanımında içeri aktarma işleminin daha az satır almasına neden olacak bir hata veya değişiklik olmadığından emin olun.
Bileşenin veri yukarı akışında, veri türünü veya temizleme, bölme veya birleştirme işlemleri gibi değer sayısını etkileyebilecek bir işlem gerçekleştiriyorsanız, döndürülen satır sayısını belirlemek için bu işlemlerin çıkışlarını denetleyin.

Özel Durum İletileri
Giriş veri kümesindeki satır sayısı izin verilen en düşük değerden azdır.
Giriş veri kümesindeki satır sayısı izin verilen en az {required_rows_count} satırdan azdır.
Giriş veri kümesindeki satır sayısı izin verilen en az {required_rows_count} satırdan azdır. {reason}
"{arg_name}" giriş veri kümesindeki satır sayısı izin verilen en az {required_rows_count} satırdan az.
"{arg_name}" giriş veri kümesindeki satır sayısı {actual_rows_count}, izin verilen en az {required_rows_count} satırdan az.
"{arg_name}" giriş veri kümesindeki "{row_type}" satır sayısı {actual_rows_count}, izin verilen en az {required_rows_count} satırdan azdır.

Hata 0022

Giriş veri kümesindeki seçili sütunların sayısı beklenen sayıya eşit değilse özel durum oluşur.

Azure Machine Learning'de bu hata, aşağı akış bileşeni veya işlemi belirli sayıda sütun veya giriş gerektirdiğinde ve çok az veya çok fazla sütun veya giriş sağladığınızda oluşabilir. Örneğin:

Tek bir etiket sütunu veya anahtar sütunu belirtirsiniz ve yanlışlıkla birden çok sütun seçersiniz.
Sütunları yeniden adlandırıyorsunuz, ancak sütunlardan daha fazla veya daha az ad sağladınız.
Kaynak veya hedefteki sütun sayısı değişti veya bileşen tarafından kullanılan sütun sayısıyla eşleşmiyor.
Girişler için virgülle ayrılmış bir değer listesi sağladınız, ancak değer sayısı eşleşmiyor veya birden çok giriş desteklenmiyor.

Çözüm: Bileşeni yeniden ziyaret edin ve doğru sütun sayısının seçildiğinden emin olmak için sütun seçimini denetleyin. Yukarı akış bileşenlerinin çıkışlarını ve aşağı akış işlemlerinin gereksinimlerini doğrulayın.

Birden çok sütun seçebilen sütun seçimi seçeneklerinden birini kullandıysanız (sütun dizinleri, tüm özellikler, tüm sayısal vb.), seçim tarafından döndürülen sütunların tam sayısını doğrulayın.

Yukarı akış sütunlarının sayısının veya türünün değişmediğini doğrulayın.

Bir modeli eğitmek için bir öneri veri kümesi kullanıyorsanız, öneride bulunanın kullanıcı öğe çiftlerine veya kullanıcı-öğe derecelendirmelerine karşılık gelen sınırlı sayıda sütun beklediğini unutmayın. Modeli eğitmeden veya öneri veri kümelerini bölmeden önce ek sütunları kaldırın. Daha fazla bilgi için bkz . Verileri Bölme.

Özel Durum İletileri
Giriş veri kümesindeki seçili sütunların sayısı beklenen sayıya eşit değildir.
Giriş veri kümesindeki seçili sütunların sayısı {expected_col_count} değerine eşit değil.
"{selection_pattern_friendly_name}" sütun seçimi deseni, giriş veri kümesinde {expected_col_count} değerine eşit olmayan seçili sütun sayısını sağlar.
"{selection_pattern_friendly_name}" sütun seçimi deseninde giriş veri kümesinde {expected_col_count} sütun seçilmesi bekleniyor, ancak {selected_col_count} sütun sağlanıyor/sağlanıyor.

Hata 0023

Giriş veri kümesinin hedef sütunu geçerli eğitmen bileşeni için geçerli değilse özel durum oluşur.

Azure Machine Learning'de bu hata, hedef sütun (bileşen parametrelerinde seçili olarak) geçerli veri türünde değilse, tüm eksik değerleri içeriyorsa veya beklendiği gibi kategorik değilse oluşur.

Çözüm: Etiket/hedef sütunun içeriğini incelemek için bileşen girişini yeniden ziyaret edin. Tüm eksik değerlere sahip olmadığından emin olun. Bileşen hedef sütunun kategorik olmasını bekliyorsa, hedef sütunda birden fazla ayrı değer olduğundan emin olun.

Özel Durum İletileri
Giriş veri kümesinin desteklenmeyen hedef sütunu var.
Giriş veri kümesinde desteklenmeyen "{column_index}" hedef sütunu var.
Giriş veri kümesinde {learner_type} türü öğrenci için desteklenmeyen "{column_index}" hedef sütunu var.

Hata 0024

Veri kümesi etiket sütunu içermiyorsa özel durum oluşur.

Azure Machine Learning'de bu hata, bileşen bir etiket sütunu gerektirdiğinde ve veri kümesinin etiket sütunu olmadığında oluşur. Örneğin, puanlanmış veri kümesinin değerlendirilmesi için genellikle işlem doğruluğu ölçümlerinde bir etiket sütunu bulunması gerekir.

Ayrıca veri kümesinde bir etiket sütunu bulunabilir ancak Azure Machine Learning tarafından doğru algılanmaz.

Çözüm:

Hatayı oluşturan bileşeni açın ve bir etiket sütunu olup olmadığını belirleyin. Sütun tahmin etmeye çalıştığınız tek bir sonuç (veya bağımlı değişken) içerdiği sürece sütunun adı veya veri türü önemli değildir. Etiketin hangi sütunda olduğundan emin değilseniz, Sınıf veya Hedef gibi genel bir ad arayın.
Veri kümesi bir etiket sütunu içermiyorsa, etiket sütununun açıkça veya yanlışlıkla yukarı akış kaldırılmış olması mümkündür. Ayrıca veri kümesinin yukarı akış puanlama bileşeninin çıktısı olmaması da olabilir.
Sütunu açıkça etiket sütunu olarak işaretlemek için, Meta Verileri Düzenle bileşenini ekleyin ve veri kümesini bağlayın. Yalnızca etiket sütununu seçin ve Alanlar açılan listesinden Etiket'i seçin.
Etiket olarak yanlış sütun seçilirse, sütundaki meta verileri düzeltmek için Alanlar'dan Etiketi temizle'yi seçebilirsiniz.

Özel Durum İletileri
Veri kümesinde etiket sütunu yok.
"{dataset_name}" içinde etiket sütunu yok.

Hata 0025

Veri kümesi puan sütunu içermiyorsa özel durum oluşur.

Değerlendirme modeline giriş geçerli puan sütunları içermiyorsa Azure Machine Learning'de bu hata oluşur. Örneğin, kullanıcı doğru eğitilmiş bir modelle puanlanana veya puan sütunu açıkça yukarı akışa bırakılmadan önce bir veri kümesini değerlendirmeye çalışır. Bu özel durum, iki veri kümesindeki puan sütunları uyumsuz olduğunda da oluşur. Örneğin, doğrusal regresörün doğruluğunu ikili sınıflandırıcıyla karşılaştırmaya çalışıyor olabilirsiniz.

Çözüm: Değerlendirme modeline girişi yeniden ziyaret edin ve bir veya daha fazla puan sütunu içerip içermediğini inceleyin. Aksi takdirde, veri kümesi puanlanmaz veya puan sütunları bir yukarı akış bileşenine bırakılır.

Özel Durum İletileri
Veri kümesinde puan sütunu yok.
"{dataset_name}" içinde puan sütunu yok.
"{dataset_name}" içinde "{learner_type}" tarafından üretilen bir puan sütunu yok. Doğru öğrenci türünü kullanarak veri kümesini puanlayın.

Hata 0026

Aynı ada sahip sütunlara izin verilmiyorsa özel durum oluşur.

Azure Machine Learning'de bu hata, birden çok sütunun adı aynıysa oluşur. Bu hatayı almanızın bir yolu, veri kümesinin üst bilgi satırı olmaması ve sütun adlarının otomatik olarak atanmasıdır: Col0, Col1, vb.

Çözüm: Sütunların adı aynıysa, giriş veri kümesiyle bileşen arasına bir Meta Verileri Düzenle bileşeni ekleyin. Yeni sütun adları metin kutusuna yeni adları yazarak yeniden adlandıracak sütunları seçmek için Meta Verileri Düzenle'deki sütun seçiciyi kullanın.

Özel Durum İletileri
Bağımsız değişkenlerde eşit sütun adları belirtilir. Bileşen tarafından eşit sütun adlara izin verilmez.
"{arg_name_1}" ve "{arg_name_2}" bağımsız değişkenlerinde eşit sütun adlarına izin verilmez. Lütfen farklı adlar belirtin.

Hata 0027

özel durum, iki nesnenin aynı boyutta olması gerektiğinde ancak aynı boyutta olmaması durumunda oluşur.

Bu, Azure Machine Learning'de sık karşılaşılan bir hatadır ve birçok koşuldan kaynaklanabilir.

Çözüm: Belirli bir çözünürlük yoktur. Ancak, aşağıdakiler gibi koşulları de kontrol edebilirsiniz:

Sütunları yeniden adlandırıyorsanız, her listenin (giriş sütunları ve yeni adlar listesi) aynı sayıda öğeye sahip olduğundan emin olun.
İki veri kümesini birleştiriyor veya birleştiriyorsanız, aynı şemaya sahip olduklarından emin olun.
Birden çok sütunu olan iki veri kümesini birleştiriyorsanız, anahtar sütunların aynı veri türüne sahip olduğundan emin olun ve Yinelenenlere izin ver ve seçimde sütun sırasını koru seçeneğini belirleyin.

Özel Durum İletileri
Geçirilen nesnelerin boyutu tutarsız.
"{friendly_name1}" boyutu "{friendly_name2}" boyutuyla tutarsız.

Hata 0028

Sütun kümesi yinelenen sütun adları içerdiğinde ve buna izin verilmediğinde özel durum oluşur.

Azure Machine Learning'de bu hata, sütun adları çoğaltıldığında oluşur; yani, benzersiz değil.

Çözüm: Herhangi bir sütunun adı aynıysa, giriş veri kümesiyle hatayı oluşturan bileşen arasına Meta Verileri Düzenle örneğini ekleyin. Meta Verileri Düzenle'deki Sütun Seçici'yi kullanarak yeniden adlandıracak sütunları seçin ve yeni sütun adlarını Yeni sütun adları metin kutusuna yazın. Birden çok sütunu yeniden adlandırıyorsanız, Yeni sütun adlarına yazdığınız değerlerin benzersiz olduğundan emin olun.

Özel Durum İletileri
Sütun kümesi yinelenen sütun adları içeriyor.
"{duplicated_name}" adı yineleniyor.
"{duplicated_name}" adı "{arg_name}" içinde yineleniyor.
"{duplicated_name}" adı yineleniyor. Ayrıntılar: {details}

Hata 0029

Geçersiz URI geçirildiğinde özel durum oluşur.

Azure Machine Learning'de bu hata, geçersiz URI geçirildiğinde oluşur. Aşağıdaki koşullardan herhangi biri doğruysa bu hatayı alırsınız:

Okuma veya yazma için Azure Blob Depolama için sağlanan Genel veya SAS URI'sinde hata var.
SAS zaman penceresinin süresi doldu.
HTTP kaynağı aracılığıyla Web URL'si bir dosyayı veya geri döngü URI'sini temsil eder.
HTTP aracılığıyla Web URL'si yanlış biçimlendirilmiş bir URL içeriyor.
URL uzak kaynak tarafından çözümlenemiyor.

Çözüm: Bileşeni yeniden ziyaret edin ve URI'nin biçimini doğrulayın. Veri kaynağı HTTP aracılığıyla bir Web URL'siyse, hedeflenen kaynağın bir dosya veya geri döngü URI'si (localhost) olmadığını doğrulayın.

Özel Durum İletileri
Geçersiz Uri geçirildi.
"{invalid_url}" Uri'si geçersiz.

Hata 0030

Bir dosyanın indirilmemesi durumunda özel durum oluşur.

Azure Machine Learning'de bu özel durum, dosya indirilmediğinde oluşur. Üç (3) yeniden deneme denemesinden sonra BIR HTTP kaynağından okuma girişimi başarısız olduğunda bu özel durumu alırsınız.

Çözüm: HTTP kaynağının URI'sinin doğru olduğunu ve siteye şu anda İnternet üzerinden erişilebildiğini doğrulayın.

Özel Durum İletileri
Dosya indirilemiyor.
Dosya indirilirken hata oluştu: {file_url}.

Hata 0031

Sütun kümesindeki sütun sayısı gerekenden azsa özel durum oluşur.

Azure Machine Learning'de bu hata, seçilen sütun sayısı gerekenden azsa oluşur. Gerekli en az sayıda sütun seçilmezse bu hatayı alırsınız.

Çözüm: Sütun Seçici'yi kullanarak sütun seçimine ek sütunlar ekleyin.

Özel Durum İletileri
Sütun kümesindeki sütun sayısı gerekenden az.
"{arg_name}" giriş bağımsız değişkeni için en az {required_columns_count} sütun belirtilmelidir.
"{arg_name}" giriş bağımsız değişkeni için en az {required_columns_count} sütun belirtilmelidir. Belirtilen sütunların gerçek sayısı {input_columns_count}.

Hata 0032

Bağımsız değişken bir sayı değilse özel durum oluşur.

Bağımsız değişken çift veya NaN ise Azure Machine Learning'de bu hatayı alırsınız.

Çözüm: Belirtilen bağımsız değişkeni geçerli bir değer kullanacak şekilde değiştirin.

Özel Durum İletileri
Bağımsız değişken bir sayı değildir.
"{arg_name}" bir sayı değil.

Hata 0033

Bağımsız değişken Infinity ise özel durum oluşur.

Bağımsız değişken sonsuz olduğunda Azure Machine Learning'de bu hata oluşur. Bağımsız değişken veya double.NegativeInfinitydouble.PositiveInfinityise bu hatayı alırsınız.

Çözüm: Belirtilen bağımsız değişkeni geçerli bir değer olacak şekilde değiştirin.

Özel Durum İletileri
Bağımsız değişken sonlu olmalıdır.
"{arg_name}" sonlu değil.
"{column_name}" sütunu sonsuz değerler içeriyor.

Hata 0034

Belirli bir kullanıcı öğesi çifti için birden fazla derecelendirme varsa özel durum oluşur.

Azure Machine Learning'deki bu hata, bir kullanıcı öğesi çiftinde birden fazla derecelendirme değeri varsa öneride oluşur.

Çözüm: Kullanıcı öğesi çiftinin yalnızca bir derecelendirme değerine sahip olduğundan emin olun.

Özel Durum İletileri
Veri kümesindeki değerler için birden fazla derecelendirme vardır.
Derecelendirme tahmini veri tablosunda {user} kullanıcısı ve {item} öğesi için birden fazla derecelendirme.
{user} kullanıcısı ve {dataset} içindeki {item} öğesi için birden fazla derecelendirme.

Hata 0035

Belirli bir kullanıcı veya öğe için hiçbir özellik sağlanmadıysa özel durum oluşur.

Azure Machine Learning'deki bu hata, puanlama için bir öneri modeli kullanmaya çalıştığınız ancak özellik vektörlerinin bulunamadığını gösterir.

Çözüm:

Eşleştirme Kutusu önericisi, öğe özellikleri veya kullanıcı özellikleri kullanılırken karşılanması gereken belirli gereksinimlere sahiptir. Bu hata, giriş olarak sağladığınız bir kullanıcı veya öğe için özellik vektörlerinin eksik olduğunu gösterir. Her kullanıcı veya öğe için verilerde bir özellik vektörünün kullanılabilir olduğundan emin olun.

Örneğin, kullanıcının yaşı, konumu veya geliri gibi özellikleri kullanarak bir öneri modeli eğittiyseniz ancak şimdi eğitim sırasında görünmeyen yeni kullanıcılar için puanlar oluşturmak istiyorsanız, yeni kullanıcılar için uygun tahminlerde bulunmak için bazı eşdeğer özellik kümesi (yaş, konum ve gelir değerleri) sağlamanız gerekir.

Bu kullanıcılar için herhangi bir özelliğiniz yoksa, uygun özellikler oluşturmak için özellik mühendisliğini göz önünde bulundurun. Örneğin, bireysel kullanıcı yaşı veya gelir değerleriniz yoksa, bir kullanıcı grubu için kullanmak üzere yaklaşık değerler oluşturabilirsiniz.

Bahşiş

Çözüm sizin davanız için geçerli değil mi? Bu makale hakkında geri bildirim gönderebilir ve bileşen ve sütundaki satır sayısı dahil olmak üzere senaryo hakkında bilgi sağlayabilirsiniz. Gelecekte daha ayrıntılı sorun giderme adımları sağlamak için bu bilgileri kullanacağız.

Özel Durum İletileri
Gerekli bir kullanıcı veya öğe için özellik sağlanmadı.
{required_feature_name} için özellikler gerekli ancak sağlanmadı.

Hata 0036

Belirli bir kullanıcı veya öğe için birden çok özellik vektörleri sağlandıysa özel durum oluşur.

Azure Machine Learning'de bu hata, bir özellik vektöru birden çok kez tanımlandığında oluşur.

Çözüm: Özellik vektörlerinin birden çok kez tanımlanmadığından emin olun.

Özel Durum İletileri
Kullanıcı veya öğe için yinelenen özellik tanımı.

Hata 0037

Birden çok etiket sütunu belirtilirse ve yalnızca bir sütuna izin verilirse özel durum oluşur.

Azure Machine Learning'de bu hata, yeni etiket sütunu olarak birden fazla sütun seçildiğinde oluşur. Denetimli öğrenme algoritmalarının çoğu, tek bir sütunun hedef veya etiket olarak işaretlenmesini gerektirir.

Çözünürlük: Yeni etiket sütunu olarak tek bir sütun seçtiğinizden emin olun.

Özel Durum İletileri
Birden çok etiket sütunu belirtilir.
"{dataset_name}" içinde birden çok etiket sütunu belirtildi.

Hata 0039

Bir işlem başarısız olursa özel durum oluşur.

Azure Machine Learning'deki bu hata, bir iç işlem tamamlanamadığında oluşur.

Çözüm: Bu hata birçok koşuldan kaynaklanır ve belirli bir çözüm yoktur.
Aşağıdaki tabloda, bu hatanın genel iletileri ve ardından koşulun belirli bir açıklaması yer alır.

Herhangi bir ayrıntı yoksa, geri bildirim göndermek ve hatayı oluşturan bileşenler ve ilgili koşullar hakkında bilgi sağlamak için Microsoft Soru-Cevap soru sayfası.

Özel Durum İletileri
İşlem başarısız oldu.
İşlem tamamlanırken hata oluştu: "{failed_operation}".
İşlem tamamlanırken hata oluştu: "{failed_operation}". Neden: "{reason}".

Hata 0042

Sütunu başka bir türe dönüştürmek mümkün olmadığında özel durum oluşur.

Azure Machine Learning'de bu hata, sütunu belirtilen türe dönüştürmek mümkün olmadığında oluşur. Bir bileşen tarih saat, metin, kayan nokta numarası veya tamsayı gibi belirli bir veri türü gerektiriyorsa ancak var olan bir sütunu gerekli türe dönüştürmek mümkün değilse bu hatayı alırsınız.

Örneğin, bir sütunu seçip matematik işleminde kullanmak üzere sayısal veri türüne dönüştürmeyi deneyebilir ve sütun geçersiz veri içeriyorsa bu hatayı alabilirsiniz.

Kayan nokta sayıları veya birçok benzersiz değeri içeren bir sütunu kategorik sütun olarak kullanmaya çalışırsanız bu hatayı almanıza neden olabilecek bir diğer neden de budur.

Çözüm:

Hatayı oluşturan bileşenin yardım sayfasını açın ve veri türü gereksinimlerini doğrulayın.
Giriş veri kümesindeki sütunların veri türlerini gözden geçirin.
Şemasız veri kaynaklarından kaynaklanan verileri inceleyin.
Veri kümesinde istenen veri türüne dönüştürmeyi engelleyebilecek eksik değerler veya özel karakterler olup olmadığını denetleyin.
- Sayısal veri türleri tutarlı olmalıdır: Örneğin, tamsayılar sütununda kayan nokta sayıları olup olmadığını denetleyin.
- Sayı sütununda metin dizelerini veya NA değerlerini arayın.
- Boole değerleri, gerekli veri türüne bağlı olarak uygun bir gösterime dönüştürülebilir.
- Unicode olmayan karakterler, sekme karakterleri veya denetim karakterleri için metin sütunlarını inceleme
- Modelleme hatalarını önlemek için tarih saat verileri tutarlı olmalıdır, ancak birçok biçim nedeniyle temizleme karmaşık olabilir. Temizleme gerçekleştirmek için Python Betiği Yürütme bileşenlerini kullanmayı göz önünde bulundurun.
Gerekirse, sütunun başarıyla dönüştürülebilmesi için giriş veri kümesindeki değerleri değiştirin. Değişiklik, gruplandırma, kesme veya yuvarlama işlemlerini, aykırı değerlerin ortadan kaldırılmasını veya eksik değerlerin kesilmesini içerebilir. Makine öğrenmesindeki bazı yaygın veri dönüştürme senaryoları için aşağıdaki makalelere bakın:
- Eksik Verileri Temizle
- Verileri Normalleştirme

Bahşiş

Çözüm belirsiz mi yoksa davanız için geçerli değil mi? Bu makale hakkında geri bildirim gönderebilir ve sütunun bileşeni ve veri türü de dahil olmak üzere senaryo hakkında bilgi sağlayabilirsiniz. Gelecekte daha ayrıntılı sorun giderme adımları sağlamak için bu bilgileri kullanacağız.

Özel Durum İletileri
Dönüştürmeye izin verilmiyor.
{type1} türü sütun {type2} türünde bir sütuna dönüştürülemedi.
{type1} türünde "{col_name1}" sütunu {type2} türünde bir sütuna dönüştürülemedi.
{type1} türünde "{col_name1}" sütunu {type2} türünde "{col_name2}" sütununa dönüştürülemedi.

Hata 0044

Mevcut değerlerden sütun öğesi türünü türetmek mümkün olmadığında özel durum oluşur.

Azure Machine Learning'de bu hata, bir veri kümesindeki sütun veya sütunların türünü çıkarabilmek mümkün olmadığında oluşur. Bu durum genellikle iki veya daha fazla veri kümesini farklı öğe türleriyle birleştirirken ortaya çıkar. Azure Machine Learning, bir sütundaki veya sütundaki tüm değerleri bilgi kaybı olmadan temsil edebilen ortak bir tür belirleyemezse, bu hatayı oluşturur.

Çözüm: Birleştirilen her iki veri kümesindeki belirli bir sütundaki tüm değerlerin aynı türde (sayısal, Boole, kategorik, dize, tarih vb.) olduğundan veya aynı türe zorlanabildiğinden emin olun.

Özel Durum İletileri
Sütunun öğe türü türetilemez.
"{column_name}" sütunu için öğe türü türetilemez; tüm öğeler null başvurulardır.
"{dataset_name}" veri kümesinin "{column_name}" sütunu için öğe türü türetilemez; tüm öğeler null başvurulardır.

Hata 0045

Kaynaktaki karma öğe türleri nedeniyle sütun oluşturmak mümkün olmadığında özel durum oluşur.

Azure Machine Learning'deki bu hata, birleştirilen iki veri kümesinin öğe türleri farklı olduğunda oluşturulur.

Çözüm: Her iki veri kümesindeki belirli bir sütundaki tüm değerlerin aynı türde olduğundan emin olun (sayısal, Boole, kategorik, dize, tarih vb.).

Özel Durum İletileri
Karma öğe türlerine sahip sütun oluşturulamıyor.
Karma öğe türlerinin "{column_id}" kimliğine sahip sütun oluşturulamıyor: Veri türü[{row_1}, {column_id}] "{type_1}". Veri türü[{row_2}, {column_id}] "{type_2}".
Karma öğe türlerinin "{column_id}" kimliğine sahip sütun oluşturulamıyor: {chunk_id_1} öbek türü "{type_1}". {chunk_id_2} öbek türü"{type_2}" ve öbek boyutu: {chunk_size}.

Hata 0046

Belirtilen yolda dizin oluşturmak mümkün olmadığında özel durum oluşur.

Azure Machine Learning'de bu hata, belirtilen yolda dizin oluşturulamayınca oluşur. Hive Sorgusu için çıkış dizinine giden yolun herhangi bir bölümü yanlış veya erişilemezse bu hatayı alırsınız.

Çözüm: Bileşeni yeniden ziyaret edin ve dizin yolunun doğru biçimlendirildiğini ve geçerli kimlik bilgileriyle erişilebilir olduğunu doğrulayın.

Özel Durum İletileri
Lütfen geçerli bir çıkış dizini belirtin.
Dizin: {path} oluşturulamıyor. Lütfen geçerli bir yol belirtin.

Hata 0047

Bileşene geçirilen bazı veri kümelerindeki özellik sütunlarının sayısı çok küçükse özel durum oluşur.

Azure Machine Learning'de bu hata, eğitime giriş veri kümesi algoritmanın gerektirdiği en az sayıda sütunu içermiyorsa oluşur. Genellikle veri kümesi boş veya yalnızca eğitim sütunları içerir.

Çözüm: Etiket sütunu dışında bir veya daha fazla ek sütun olduğundan emin olmak için giriş veri kümesini yeniden ziyaret edin.

Özel Durum İletileri
Giriş veri kümesindeki özellik sütunlarının sayısı izin verilen en düşük değerden azdır.
Giriş veri kümesindeki özellik sütunlarının sayısı izin verilen en az {required_columns_count} sütundan azdır.
"{arg_name}" giriş veri kümesindeki özellik sütunlarının sayısı izin verilen en az {required_columns_count} sütundan az.

Hata 0048

Bir dosyanın açılması mümkün olmadığında özel durum oluşur.

Azure Machine Learning'de bu hata, bir dosyayı okuma veya yazma için açmak mümkün olmadığında oluşur. Bu hatayı şu nedenlerle alabilirsiniz:

Kapsayıcı veya dosya (blob) yok
Dosya veya kapsayıcının erişim düzeyi, dosyaya erişmenize izin vermiyor
Dosya okunamayacak kadar büyük veya yanlış biçimli

Çözüm: Okumaya çalıştığınız bileşeni ve dosyayı yeniden ziyaret edin.

Kapsayıcı ve dosya adlarının doğru olduğunu doğrulayın.

Klasik Azure portalını veya azure depolama aracını kullanarak dosyaya erişim izniniz olduğunu doğrulayın.

Özel Durum İletileri
Dosya açılamıyor.
Dosya açılırken hata oluştu: {file_name}.
Dosya açılırken hata oluştu: {file_name}. Depolama özel durum iletisi: {exception}.

Hata 0049

Bir dosyayı ayrıştırmak mümkün olmadığında özel durum oluşur.

Azure Machine Learning'de bu hata, bir dosyayı ayrıştırmak mümkün olmadığında oluşur. Verileri İçeri Aktar bileşeninde seçilen dosya biçimi dosyanın gerçek biçimiyle eşleşmiyorsa veya dosya tanınmayan bir karakter içeriyorsa bu hatayı alırsınız.

Çözüm: Bileşeni yeniden ziyaret edin ve dosyanın biçimiyle eşleşmiyorsa dosya biçimi seçimini düzeltin. Mümkünse, geçersiz karakter içermediğini doğrulamak için dosyayı inceleyin.

Özel Durum İletileri
Dosya ayrıştırılamıyor.
{file_format} dosyası ayrıştırırken hata oluştu.
{file_format} dosyası ayrıştırırken hata oluştu: {file_name}.
{file_format} dosyası ayrıştırırken hata oluştu. Neden: {failure_reason}.
{file_format} dosyası ayrıştırırken hata oluştu: {file_name}. Neden: {failure_reason}.

Hata 0052

Azure depolama hesabı anahtarı yanlış belirtilirse özel durum oluşur.

Azure Machine Learning'de bu hata, Azure depolama hesabına erişmek için kullanılan anahtar yanlışsa oluşur. Örneğin, Azure depolama anahtarı kopyalanıp yapıştırıldığında kesildiyse veya yanlış anahtar kullanıldıysa bu hatayı görebilirsiniz.

Azure depolama hesabının anahtarını alma hakkında daha fazla bilgi için bkz . Depolama erişim anahtarlarını görüntüleme, kopyalama ve yeniden oluşturma.

Çözüm: Bileşeni yeniden ziyaret edin ve Hesap için Azure depolama anahtarının doğru olduğunu doğrulayın; gerekirse anahtarı klasik Azure portalından yeniden kopyalayın.

Özel Durum İletileri
Azure depolama hesabı anahtarı yanlış.

Hata 0053

Eşleştirme kutusu önerileri için kullanıcı özellikleri veya öğeleri olmadığında özel durum oluşur.

Azure Machine Learning'deki bu hata, bir özellik vektöru bulunamadığında oluşturulur.

Çözüm: Giriş veri kümesinde bir özellik vektörü bulunduğundan emin olun.

Özel Durum İletileri
Kullanıcı özellikleri veya/ve öğeleri gereklidir ancak sağlanmaz.

Hata 0056

Bir işlem için seçtiğiniz sütunlar gereksinimleri ihlal ederse özel durum oluşur.

Azure Machine Learning'de bu hata, sütunun belirli bir veri türünde olmasını gerektiren bir işlem için sütun seçtiğinizde oluşur.

Bu hata, sütun doğru veri türüyse de oluşabilir, ancak kullandığınız bileşen sütunun bir özellik, etiket veya kategorik sütun olarak işaretlenmesini gerektirir.

Çözüm:

Seçili durumdaki sütunların veri türünü gözden geçirin.
Seçili sütunların kategorik mi, etiket mi yoksa özellik sütunları mı olduğunu belirleyin.
Veri türü veya sütun kullanımı için belirli gereksinimler olup olmadığını belirlemek için sütun seçimini yaptığınız bileşenin yardım konusunu gözden geçirin.
Bu işlemin süresi boyunca sütun türünü değiştirmek için Meta Verileri Düzenle'yi kullanın. Aşağı akış işlemleri için gerekirse, başka bir Meta Verileri Düzenle örneğini kullanarak sütun türünü özgün değerine geri döndürdiğinizden emin olun.

Özel Durum İletileri
Seçilen bir veya daha fazla sütun izin verilen bir kategoride değildi.
"{col_name}" adlı sütun izin verilen bir kategoride değil.

Hata 0057

Zaten var olan bir dosya veya blob oluşturulmaya çalışıldığında özel durum oluşur.

Bu özel durum, Azure Machine Learning'deki bir işlem hattının sonuçlarını Azure blob depolamaya kaydetmek için Verileri Dışarı Aktar bileşenini veya başka bir bileşeni kullandığınızda, ancak zaten var olan bir dosya veya blob oluşturmaya çalıştığınızda oluşur.

Çözüm:

Bu hatayı yalnızca daha önce Azure blob depolama yazma modunu Hata olarak ayarladıysanız alırsınız. Tasarım gereği, zaten var olan bir bloba veri kümesi yazmaya çalışırsanız bu bileşen hataya neden olur.

Bileşen özelliklerini açın ve Azure blob depolama yazma modunuÜzerine Yaz olarak değiştirin.
Alternatif olarak, farklı bir hedef blobun veya dosyanın adını yazabilir ve henüz var olmayan bir blob belirttiğinizden emin olun.

Özel Durum İletileri
Dosya veya Blob zaten var.
"{file_path}" dosyası veya Blobu zaten var.

Hata 0058

Azure Machine Learning'de bu hata, veri kümesi beklenen etiket sütununu içermiyorsa oluşur.

Bu özel durum, sağlanan etiket sütunu öğrenci tarafından beklenen veri veya veri türüyle eşleşmediğinde veya yanlış değerlere sahip olduğunda da oluşabilir. Örneğin, ikili sınıflandırıcı eğitirken gerçek değerli bir etiket sütunu kullanılırken bu özel durum oluşturulur.

Çözüm: Çözüm, kullandığınız öğrenciye veya eğitmene ve veri kümenizdeki sütunların veri türlerine bağlıdır. İlk olarak makine öğrenmesi algoritmasının veya eğitim bileşeninin gereksinimlerini doğrulayın.

Giriş veri kümesini yeniden ziyaret edin. Etiket olarak kabul edilmeyi beklediğiniz sütunun, oluşturduğunuz model için doğru veri türüne sahip olduğunu doğrulayın.

Eksik değerler için girişleri denetleyin ve gerekirse bunları ortadan kaldırın veya değiştirin.

Gerekirse, Meta Verileri Düzenle bileşenini ekleyin ve etiket sütununun etiket olarak işaretlendiğinden emin olun.

Özel Durum İletileri
Etiket sütunu değerleri ve puanlanmış etiket sütun değerleri karşılaştırılamaz.
Etiket sütunu "{dataset_name}" içinde beklendiği gibi değil.
Etiket sütunu "{dataset_name}", {reason} içinde beklendiği gibi değil.
"{column_name}" etiket sütunu "{dataset_name}" içinde beklenmez.
"{column_name}" etiket sütunu "{dataset_name}", {reason} içinde beklenmez.

Hata 0059

Bir sütun seçicide belirtilen bir sütun dizini ayrıştırılamıyorsa özel durum oluşur.

Azure Machine Learning'de bu hata, Sütun Seçici kullanılırken belirtilen bir sütun dizini ayrıştırılamıyorsa oluşur. Sütun dizini ayrıştırılamayan geçersiz bir biçimde olduğunda bu hatayı alırsınız.

Çözüm: Sütun dizinini geçerli bir dizin değeri kullanacak şekilde değiştirin.

Özel Durum İletileri
Belirtilen bir veya daha fazla sütun dizini veya dizin aralığı ayrıştırılamadı.
"{column_index_or_range}" sütun dizini veya aralığı ayrıştırılamadı.

Hata 0060

Bir sütun seçicide aralık dışı sütun aralığı belirtildiğinde özel durum oluşur.

Azure Machine Learning'deki bu hata, Sütun Seçici'de aralık dışı bir sütun aralığı belirtildiğinde oluşur. Sütun seçicideki sütun aralığı veri kümesindeki sütunlara karşılık gelmiyorsa bu hatayı alırsınız.

Çözüm: Sütun seçicideki sütun aralığını veri kümesindeki sütunlara karşılık gelen şekilde değiştirin.

Özel Durum İletileri
Geçersiz veya aralık dışı sütun dizini aralığı belirtildi.
"{column_range}" sütun aralığı geçersiz veya aralık dışında.

Hata 0061

DataTable'a tablodan farklı sayıda sütun içeren bir satır eklemeye çalışılırken özel durum oluşur.

Azure Machine Learning'deki bu hata, veri kümesinden farklı sayıda sütuna sahip bir veri kümesine satır eklemeye çalıştığınızda oluşur. Veri kümesine eklenen satırın giriş veri kümesinden farklı sayıda sütunu varsa bu hatayı alırsınız. Sütun sayısı farklıysa, satır veri kümesine eklenemez.

Çözüm: Giriş veri kümesini, eklenen satırla aynı sayıda sütuna sahip olacak şekilde değiştirin veya eklenen satırı veri kümesiyle aynı sayıda sütuna sahip olacak şekilde değiştirin.

Özel Durum İletileri
Tüm tablolarda aynı sayıda sütun olmalıdır.
"{chunk_id_1}" öbekteki sütunlar, öbek boyutu {chunk_size} olan "{chunk_id_2}" öbekleriyle farklı.
"{filename_1}" (count={column_count_1}) dosyasındaki sütun sayısı, "{filename_2}" (count={column_count_2}) dosyasıyla farklıdır.

Hata 0062

İki modeli farklı öğrenci türleriyle karşılaştırmaya çalışıldığında özel durum oluşur.

Azure Machine Learning'deki bu hata, puanlanmış iki farklı veri kümesinin değerlendirme ölçümleri karşılaştırılamadığında oluşturulur. Bu durumda, puanlanmış iki veri kümesini üretmek için kullanılan modellerin etkinliğini karşılaştırmak mümkün değildir.

Çözüm: Puanlanan sonuçların aynı makine öğrenmesi modeli (ikili sınıflandırma, regresyon, çok sınıflı sınıflandırma, öneri, kümeleme, anomali algılama vb.) tarafından üretildiğini doğrulayın Karşılaştırdığınız tüm modellerin aynı öğrenci türüne sahip olması gerekir.

Özel Durum İletileri
Tüm modeller aynı öğrenci türüne sahip olmalıdır.
Uyumsuz öğrenci türüne sahip: "{actual_learner_type}". Beklenen öğrenci türleri: "{expected_learner_type_list}".

Hata 0064

Azure depolama hesabı adı veya depolama anahtarı yanlış belirtilirse özel durum oluşur.

Azure Machine Learning'deki bu hata, Azure depolama hesabı adı veya depolama anahtarı yanlış belirtilirse oluşur. Depolama hesabı için yanlış bir hesap adı veya parola girerseniz bu hatayı alırsınız. Hesap adını veya parolayı el ile girerseniz bu durum oluşabilir. Hesap silindiyse de oluşabilir.

Çözüm: Hesap adının ve parolanın doğru girildiğini ve hesabın mevcut olduğunu doğrulayın.

Özel Durum İletileri
Azure depolama hesabı adı veya depolama anahtarı yanlış.
Hesap adının Azure depolama hesabı adı "{account_name}" veya depolama anahtarı yanlış.

Hata 0065

Azure blob adı yanlış belirtilirse özel durum oluşur.

Azure Machine Learning'deki bu hata, Azure blob adı yanlış belirtilirse oluşur. Aşağıdakiler durumunda hatayı alırsınız:

Blob belirtilen kapsayıcıda bulunamıyor.

Biçim Kodlamalı Excel veya CSV olduğunda veri içeri aktarma isteğinde kaynak olarak yalnızca kapsayıcı belirtildi; kapsayıcı içindeki tüm blobların içeriğinin bu biçimlerle birleştirilmiş olmasına izin verilmez.
SAS URI'sinde geçerli bir blobun adı yoktur.

Çözüm: Özel durum oluşturan bileşeni yeniden ziyaret edin. Belirtilen blobunun depolama hesabındaki kapsayıcıda mevcut olduğunu ve izinlerin blobu görmenize izin verdiğinden emin olun. Kodlama biçimlerine sahip Excel veya CSV'niz varsa girişin containername/filename biçiminde olduğunu doğrulayın. SAS URI'sinin geçerli bir blobun adını içerdiğini doğrulayın.

Özel Durum İletileri
Azure depolama blobu adı yanlış.
"{blob_name}" Azure depolama blob adı yanlış.
"{blob_name_prefix}" ön ekiyle Azure depolama blobu adı yok.
"{container_name}" kapsayıcısı altında azure depolama blobları bulunamadı.
"{blob_wildcard_path}" joker yoluna sahip Azure depolama blobları bulunamadı.

Hata 0066

Bir kaynak Azure Blob'a yüklenemediğinde özel durum oluşur.

Azure Machine Learning'deki bu hata, bir kaynağın Azure Blob'a yüklenememesi durumunda oluşur. Her ikisi de giriş dosyasını içeren hesapla aynı Azure depolama hesabına kaydedilir.

Çözüm: Bileşeni yeniden ziyaret edin. Azure hesabı adının, depolama anahtarının ve kapsayıcının doğru olduğunu ve hesabın kapsayıcıya yazma izni olduğunu doğrulayın.

Özel Durum İletileri
Kaynak Azure depolamaya yüklenemedi.
"{source_path}" dosyası Azure depolamaya "{dest_path}" olarak yüklenemedi.

Hata 0067

Bir veri kümesinin beklenenden farklı sayıda sütunu varsa özel durum oluşur.

Azure Machine Learning'de bu hata, bir veri kümesinin beklenenden farklı sayıda sütunu varsa oluşur. Veri kümesindeki sütun sayısı, bileşenin yürütme sırasında beklediği sütun sayısından farklı olduğunda bu hatayı alırsınız.

Çözüm: Giriş veri kümesini veya parametreleri değiştirin.

Özel Durum İletileri
Veri tablosundaki beklenmeyen sütun sayısı.
"{dataset_name}" veri kümesindeki beklenmeyen sütun sayısı.
"{expected_column_count}" sütunu bekleniyor ancak bunun yerine "{actual_column_count}" sütun bulundu.
"{dataset_name}" giriş veri kümesinde "{expected_column_count}" sütun bekleniyor ancak bunun yerine "{actual_column_count}" sütun bulundu.

Hata 0068

Belirtilen Hive betiği doğru değilse özel durum oluşur.

Azure Machine Learning'deki bu hata, Hive QL betiğinde söz dizimi hataları varsa veya Hive yorumlayıcısı sorguyu veya betiği yürütürken bir hatayla karşılaşırsa oluşur.

Çözüm:

Hive'dan gelen hata iletisi normalde Hata Günlüğü'ne geri bildirilir, böylece belirli bir hataya göre işlem yapabilirsiniz.

Bileşeni açın ve sorguyu hatalara karşı inceleyin.
Hadoop kümenizin Hive konsolunda oturum açıp sorguyu çalıştırarak sorgunun Azure Machine Learning dışında düzgün çalıştığını doğrulayın.
Yürütülebilir deyimleri ve açıklamaları tek bir satırda karıştırmak için hive betiğinize açıklamaları ayrı bir satıra yerleştirmeyi deneyin.

Kaynaklar

Makine öğrenmesi için Hive sorguları ile ilgili yardım için aşağıdaki makalelere bakın:

Özel Durum İletileri
Hive betiği yanlış.

Hata 0069

Belirtilen SQL betiği doğru değilse özel durum oluşur.

Azure Machine Learning'de bu hata, belirtilen SQL betiğinde söz dizimi sorunları varsa veya betikte belirtilen sütun veya tablo geçerli değilse oluşur.

SQL altyapısı sorguyu veya betiği yürütürken herhangi bir hatayla karşılaşırsa bu hatayı alırsınız. SQL hata iletisi normalde Hata Günlüğü'ne geri bildirilir, böylece belirli bir hataya göre eylem gerçekleştirebilirsiniz.

Çözüm: Bileşeni yeniden ziyaret edin ve SQL sorgusunu hatalar açısından inceleyin.

Doğrudan veritabanı sunucusunda oturum açıp sorguyu çalıştırarak sorgunun Azure Machine Learning dışında düzgün çalıştığını doğrulayın.

Bileşen özel durumu tarafından bildirilen sql tarafından oluşturulan bir ileti varsa, bildirilen hataya göre işlem yapın. Örneğin, hata iletileri bazen olası hatayla ilgili belirli yönergeler içerir:

Yanlış bir sütun adı yazdığınıza işaret eden böyle bir sütun veya eksik veritabanı yok. Sütun adının doğru olduğundan eminseniz, sütun tanımlayıcısını içine almak için köşeli ayraç veya tırnak işareti kullanmayı deneyin.
SQL anahtar sözcüğü yakınlarında <sql mantığı hatası, belirtilen anahtar sözcük> öncesinde bir söz dizimi hatası olabileceğini belirtir

Özel Durum İletileri
SQL betiği yanlış.
"{sql_query}" SQL sorgusu doğru değil.
"{sql_query}" SQL sorgusu doğru değil. Özel durum iletisi: {exception}.

Hata 0070

Mevcut olmayan Azure tablosuna erişmeye çalışıldığında özel durum oluşur.

Azure Machine Learning'deki bu hata, var olmayan bir Azure tablosuna erişmeye çalıştığınızda oluşur. Azure Depolama'da, Azure Tablo Depolama'ndan okurken veya bu tabloya yazarken bulunmayan bir tablo belirtirseniz bu hatayı alırsınız. İstenen tablonun adını yanlış yazarsanız veya hedef adla depolama türü arasında uyuşmazlık varsa bu durum oluşabilir. Örneğin, bir tablodan okumayı amaçladınız ancak bunun yerine bir blobun adını girdiniz.

Çözüm: Tablonun adının doğru olduğunu doğrulamak için bileşeni yeniden ziyaret edin.

Özel Durum İletileri
Azure tablosu yok.
"{table_name}" Azure tablosu yok.

Hata 0072

Bağlantı zaman aşımı durumunda özel durum oluşur.

Azure Machine Learning'deki bu hata, bağlantı zaman aşımına uğradıklarında oluşur. Veri kaynağında veya hedefte şu anda yavaş İnternet bağlantısı gibi bağlantı sorunları varsa veya veri kümesi büyükse ve/veya verilerde okunacak SQL sorgusu karmaşık işlemler gerçekleştiriyorsa bu hatayı alırsınız.

Çözüm: Şu anda Azure depolamaya veya İnternet'e yavaş bağlantılarla ilgili sorunlar olup olmadığını belirleyin.

Özel Durum İletileri
Bağlan ion zaman aşımı oluştu.

Hata 0073

Bir sütun başka bir türe dönüştürülürken bir hata oluşursa özel durum oluşur.

Azure Machine Learning'de bu hata, sütunu başka bir türe dönüştürmek mümkün olmadığında oluşur. Bir bileşen belirli bir tür gerektiriyorsa ve sütunu yeni türe dönüştürmek mümkün değilse bu hatayı alırsınız.

Çözüm: Sütunun iç özel duruma göre dönüştürülebilmesi için giriş veri kümesini değiştirin.

Özel Durum İletileri
Sütun dönüştürülemedi.
Sütun {target_type} olarak dönüştürülemedi.

Hata 0075

Bir veri kümesinin nicelenmesi sırasında geçersiz bir gruplama işlevi kullanıldığında özel durum oluşur.

Azure Machine Learning'deki bu hata, desteklenmeyen bir yöntem kullanarak verileri bölmeye çalıştığınızda veya parametre bileşimleri geçersiz olduğunda oluşur.

Çözüm:

Bu olay için hata işleme, daha fazla gruplama yöntemi özelleştirmesine izin veren Azure Machine Learning'in önceki bir sürümünde kullanıma sunulmuştur. Şu anda tüm gruplandırma yöntemleri açılan listeden yapılan bir seçimi temel alır, bu nedenle teknik olarak bu hatayı almak artık mümkün olmamalıdır.

Özel Durum İletileri
Geçersiz gruplama işlevi kullanıldı.

Hata 0077

Bilinmeyen blob dosyası yazma modu geçirildiğinde özel durum oluşur.

Azure Machine Learning'de bu hata, blob dosya hedefi veya kaynağı için belirtimlerde geçersiz bir bağımsız değişken geçirilirse oluşur.

Çözüm: Azure blob depolamaya ve Azure blob depolamadan veri içeri veya dışarı aktaran neredeyse tüm bileşenlerde, yazma modunu denetleyen parametre değerleri bir açılan liste kullanılarak atanır; bu nedenle geçersiz bir değer geçirmek mümkün değildir ve bu hata görüntülenmemelidir. Bu hata sonraki bir sürümde kullanım dışı bırakılacaktır.

Özel Durum İletileri
Desteklenmeyen blob yazma modu.
Desteklenmeyen blob yazma modu: {blob_write_mode}.

Hata 0078

Verileri İçeri Aktarma için HTTP seçeneği yeniden yönlendirmeyi gösteren 3xx durum kodunu aldığında özel durum oluşur.

Azure Machine Learning'deki bu hata, Verileri İçeri Aktarma için HTTP seçeneği yeniden yönlendirmeyi gösteren bir 3xx (301, 302, 304 vb.) durum kodu aldığında oluşur. Tarayıcıyı başka bir sayfaya yönlendiren bir HTTP kaynağına bağlanmayı denerseniz bu hatayı alırsınız. Güvenlik nedeniyle, Azure Machine Learning için veri kaynağı olarak yeniden yönlendirme web sitelerine izin verilmez.

Çözüm: Web sitesi güvenilir bir web sitesiyse, doğrudan yeniden yönlendirilen URL'yi girin.

Özel Durum İletileri
Http yeniden yönlendirmesine izin verilmiyor.

Hata 0079

Azure depolama kapsayıcı adı yanlış belirtilirse özel durum oluşur.

Azure Machine Learning'de bu hata, Azure depolama kapsayıcısının adı yanlış belirtilirse oluşur. Azure Blob Depolama yazarken kapsayıcıdan başlayarak blob yolu seçeneğini kullanarak hem kapsayıcı hem de blob (dosya) adını belirtmediyseniz bu hatayı alırsınız.

Çözüm: Verileri Dışarı Aktar bileşenini yeniden ziyaret edin ve belirtilen blob yolunun kapsayıcı/dosya adı biçiminde hem kapsayıcıyı hem de dosya adını içerdiğini doğrulayın.

Özel Durum İletileri
Azure depolama kapsayıcısının adı yanlış.
"{container_name}" Azure depolama kapsayıcı adı yanlış; kapsayıcı/blob biçiminin kapsayıcı adı bekleniyordu.

Hata 0080

Bileşenin tüm değerleri eksik olan sütuna izin verilmediğinde özel durum oluşur.

Azure Machine Learning'deki bu hata, bileşen tarafından kullanılan sütunlardan biri veya daha fazlası eksik değerleri içerdiğinde oluşturulur. Örneğin, bir bileşen her sütun için toplam istatistikleri hesaplanıyorsa, veri içermeyen bir sütun üzerinde çalışamaz. Böyle durumlarda, bileşen yürütmesi bu özel durumla durduruldu.

Çözüm: Giriş veri kümesini yeniden ziyaret edin ve tüm eksik değerleri içeren sütunları kaldırın.

Özel Durum İletileri
Tüm değerlerin eksik olduğu sütunlara izin verilmez.
{col_index_or_name} sütununda tüm değerler eksik.

Hata 0081

Küçültülecek boyut sayısı, en az bir seyrek özellik sütunu içeren giriş veri kümesindeki özellik sütunlarının sayısına eşitse PCA bileşeninde özel durum oluşur.

Aşağıdaki koşullar karşılanırsa Azure Machine Learning'de bu hata oluşur: (a) giriş veri kümesinde en az bir seyrek sütun vardır ve (b) istenen son boyut sayısı giriş boyutu sayısıyla aynıdır.

Çözünürlük: Çıkıştaki boyut sayısını girişteki boyut sayısından daha az olacak şekilde azaltmayı göz önünde bulundurun. PCA uygulamalarında tipiktir.

Özel Durum İletileri
Seyrek özellik sütunları içeren veri kümesinde azaltılacak boyut sayısı özellik sütunlarının sayısından az olmalıdır.

Hata 0082

Özel durum, bir modelin seri durumdan başarıyla çıkarılamaması durumunda oluşur.

Azure Machine Learning'deki bu hata, kaydedilen bir makine öğrenmesi modeli veya dönüşümü, hataya neden olan bir değişikliğin sonucu olarak Azure Machine Learning çalışma zamanının daha yeni bir sürümü tarafından yüklenemediğinde oluşur.

Çözüm: Modeli veya dönüşümü oluşturan eğitim işlem hattı yeniden çalıştırılmalı ve model veya dönüşüm yeniden kaydedilmelidir.

Özel Durum İletileri
Model, büyük olasılıkla eski bir serileştirme biçimiyle seri hale getirildiğinden seri durumdan çıkarılamadı. Modeli yeniden eğitme ve yeniden kaydetme.

Hata 0083

Eğitim için kullanılan veri kümesi somut öğrenci türü için kullanılamıyorsa özel durum oluşur.

Azure Machine Learning'deki bu hata, veri kümesi eğitilen öğrenciyle uyumsuz olduğunda oluşturulur. Örneğin, veri kümesi her satırda en az bir eksik değer içerebilir ve sonuç olarak eğitim sırasında veri kümesinin tamamı atlanır. Diğer durumlarda, anomali algılama gibi bazı makine öğrenmesi algoritmaları etiketlerin mevcut olmasını beklemez ve veri kümesinde etiketler varsa bu özel durumu oluşturabilir.

Çözüm: Giriş veri kümesinin gereksinimlerini denetlemek için kullanılan öğrenci belgelerine bakın. Tüm gerekli sütunların mevcut olduğunu görmek için sütunları inceleyin.

Özel Durum İletileri
Eğitim için kullanılan veri kümesi geçersiz.
{data_name} eğitim için geçersiz veri içeriyor.
{data_name} eğitim için geçersiz veri içeriyor. Öğrenci türü: {learner_type}.
{data_name} eğitim için geçersiz veri içeriyor. Öğrenci türü: {learner_type}. Neden: {reason}.
{data_name} eğitim verilerine "{action_name}" eylemi uygulanamadı. Neden: {reason}.

Hata 0084

R Betiğinden oluşturulan puanlar değerlendirildiğinde özel durum oluşur. Bu, şu anda desteklenmiyor.

Azure Machine Learning'de bu hata, puanlar içeren bir R betiğinden çıktı içeren bir modeli değerlendirmek için bileşenlerden birini kullanmaya çalıştığınızda oluşur.

Çözüm:

Özel Durum İletileri
Özel Model tarafından üretilen puanların değerlendirilmesi şu anda desteklenmiyor.

Hata 0085

Betik değerlendirmesi bir hatayla başarısız olduğunda özel durum oluşur.

Azure Machine Learning'deki bu hata, söz dizimi hataları içeren özel betik çalıştırdığınızda oluşur.

Çözüm: Kodunuzu bir dış düzenleyicide gözden geçirin ve hataları denetleyin.

Özel Durum İletileri
Betiğin değerlendirilmesi sırasında hata oluştu.
Betik değerlendirmesi sırasında aşağıdaki hata oluştu, daha fazla bilgi için lütfen çıkış günlüğünü görüntüleyin: {script_language} yorumlayıcıdan hata iletisinin başlangıcı ---------- ---------- {message} {script_language} yorumlayıcıdan ---------- Hata sonu iletisi ----------

Hata 0090

Hive tablosu oluşturma işlemi başarısız olduğunda özel durum oluşur.

Azure Machine Learning'de bu hata, verileri bir HDInsight kümesine kaydetmek için Verileri Dışarı Aktar veya başka bir seçenek kullandığınızda oluşur ve belirtilen Hive tablosu oluşturulamaz.

Çözüm: Kümeyle ilişkili Azure depolama hesabı adını denetleyin ve bileşen özelliklerinde aynı hesabı kullandığınızı doğrulayın.

Özel Durum İletileri
Hive tablosu oluşturulamadı. HDInsight kümesi için lütfen kümeyle ilişkili Azure depolama hesabı adının bileşen parametresinden geçirilenlerle aynı olduğundan emin olun.
"{table_name}" Hive tablosu oluşturulamadı. HDInsight kümesi için lütfen kümeyle ilişkili Azure depolama hesabı adının bileşen parametresinden geçirilenlerle aynı olduğundan emin olun.
"{table_name}" Hive tablosu oluşturulamadı. HDInsight kümesi için kümeyle ilişkili Azure depolama hesabı adının "{cluster_name}" olduğundan emin olun.

Hata 0102

Zip dosyası ayıklanamadığında oluşturulur.

Azure Machine Learning'de bu hata, .zip uzantısına sahip sıkıştırılmış bir paketi içeri aktarırken oluşur, ancak paket zip dosyası değildir veya dosya desteklenen bir zip biçimi kullanmaz.

Çözüm: Seçili dosyanın geçerli bir .zip dosyası olduğundan ve desteklenen sıkıştırma algoritmalarından biri kullanılarak sıkıştırıldığından emin olun.

Veri kümelerini sıkıştırılmış biçimde içeri aktarırken bu hatayı alırsanız, tüm kapsanan dosyaların desteklenen dosya biçimlerinden birini kullandığını ve Unicode biçiminde olduğunu doğrulayın.

İstenen dosyaları yeni sıkıştırılmış sıkıştırılmış bir klasöre okumayı deneyin ve özel bileşeni yeniden eklemeyi deneyin.

Özel Durum İletileri
Verilen ZIP dosyası doğru biçimde değil.

Hata 0105

Bu hata, bir bileşen tanım dosyası desteklenmeyen bir parametre türü içerdiğinde görüntülenir

Azure Machine Learning'de bu hata, özel bir bileşen xml tanımı oluşturduğunuzda ve tanımdaki parametre veya bağımsız değişkenin türü desteklenen bir türle eşleşmediğinde oluşturulur.

Çözüm: Özel bileşen xml tanımı dosyasındaki herhangi bir Arg öğesinin type özelliğinin desteklenen bir tür olduğundan emin olun.

Özel Durum İletileri
Desteklenmeyen parametre türü.
Desteklenmeyen parametre türü '{0}' belirtildi.

Hata 0107

Bileşen tanım dosyası desteklenmeyen bir çıkış türü tanımladığında oluşturulur

Azure Machine Learning'deki bu hata, özel bileşen xml tanımındaki bir çıkış bağlantı noktasının türü desteklenen bir türle eşleşmediğinde oluşturulur.

Çözüm: Özel bileşen xml tanımı dosyasındaki bir Output öğesinin type özelliğinin desteklenen bir tür olduğundan emin olun.

Özel Durum İletileri
Desteklenmeyen çıkış türü.
Desteklenmeyen çıkış türü '{output_type}' belirtildi.

Hata 0125

Birden çok veri kümesinin şeması eşleşmediğinde oluşturulur.

Çözüm:

Özel Durum İletileri
Veri kümesi şeması eşleşmiyor.

Hata 0127

Görüntü piksel boyutu izin verilen sınırı aşıyor

Sınıflandırma için bir görüntü veri kümesindeki görüntüleri okuyorsanız ve görüntüler modelin işleyebileceğinden daha büyükse bu hata oluşur.

Özel Durum İletileri
Görüntü piksel boyutu izin verilen sınırı aşıyor.
'{file_path}' dosyasındaki görüntü piksel boyutu izin verilen sınırı aşıyor: '{size_limit}'.

Hata 0128

Kategorik sütunlar için koşullu olasılık sayısı sınırı aşıyor.

Çözüm:

Özel Durum İletileri
Kategorik sütunlar için koşullu olasılık sayısı sınırı aşıyor.
Kategorik sütunlar için koşullu olasılık sayısı sınırı aşıyor. '{column_name_or_index_1}' ve '{column_name_or_index_2}' sütunları sorunlu çiftlerdir.

Hata 0129

Veri kümesindeki sütun sayısı izin verilen sınırı aşıyor.

Çözüm:

Özel Durum İletileri
Veri kümesindeki sütun sayısı izin verilen sınırı aşıyor.
'{dataset_name}' içindeki veri kümesindeki sütun sayısı izin verileni aşıyor.
'{dataset_name}' içindeki veri kümesindeki sütun sayısı izin verilen '{component_name}' sınırını aşıyor.
'{dataset_name}' içindeki veri kümesindeki sütun sayısı izin verilen '{limit_columns_count}' '{component_name}' sınırını aşıyor.

Hata 0134

Etiket sütunu eksik olduğunda veya etiketlenmiş satır sayısı yetersiz olduğunda özel durum oluşur.

Bu hata, bileşen bir etiket sütunu gerektirdiğinde, ancak sütun seçimine bir sütun eklemediğinizde veya etiket sütununda çok fazla değer eksik olduğunda oluşur.

Bu hata, önceki bir işlem veri kümesini değiştirdiğinde de oluşabilir; böylece aşağı akış işlemi için kullanılabilir satır sayısı yetersiz olur. Örneğin, bir veri kümesini değerlere bölmek için Bölüm ve Örnek bileşeninde bir ifade kullandığınızı varsayalım. İfadeniz için eşleşme bulunmazsa, bölümden kaynaklanan veri kümelerinden biri boş olur.

Çözüm:

Sütun seçimine bir etiket sütunu eklerseniz ancak bu sütun tanınmıyorsa , Meta Verileri Düzenle bileşenini kullanarak etiket sütunu olarak işaretleyin.

Ardından, etiket sütununda eksik değerlere sahip satırları kaldırmak için Eksik Verileri Temizle bileşenini kullanabilirsiniz.

Geçerli veriler ve işlemin gereksinimlerini karşılamak için yeterli satır içerdiğinden emin olmak için giriş veri kümelerinizi denetleyin. Birçok algoritma, en az sayıda veri satırına ihtiyaç duyarsa bir hata iletisi oluşturur, ancak veriler yalnızca birkaç satır veya yalnızca bir üst bilgi içerir.

Özel Durum İletileri
Etiket sütunu eksik olduğunda veya etiketlenmiş satır sayısı yetersiz olduğunda özel durum oluşur.
Etiket sütunu eksikse veya {required_rows_count} etiketli satırdan küçükse özel durum oluşur.
{dataset_name} veri kümesindeki etiket sütunu eksikse veya {required_rows_count} etiketli satırlardan küçükse özel durum oluşur.

Hata 0138

Bellek tükendi, bileşenin çalışması tamamlanamadı. Veri kümesinin alt örneklemesi sorunu hafifletmeye yardımcı olabilir.

Bu hata, çalışan bileşen Azure kapsayıcısında kullanılabilir bellekten daha fazla bellek gerektirdiğinde oluşur. Büyük bir veri kümesiyle çalışıyorsanız ve geçerli işlem belleğe sığamıyorsa bu durum oluşabilir.

Çözüm: Büyük bir veri kümesini okumaya çalışıyorsanız ve işlem tamamlanamıyorsa, veri kümesinin alt örneklemesi yararlı olabilir.

Özel Durum İletileri
Bellek tükendi, bileşenin çalışması tamamlanamadı.
Bellek tükendi, bileşenin çalışması tamamlanamadı. Ayrıntılar: {details}

Hata 0141

Kategorik ve dize sütunlarındaki seçili sayısal sütunların ve benzersiz değerlerin sayısı çok küçükse özel durum oluşur.

Azure Machine Learning'deki bu hata, seçili sütunda işlemi gerçekleştirmek için yeterli benzersiz değer olmadığında oluşur.

Çözüm: Bazı işlemler özellik ve kategorik sütunlarda istatistiksel işlemler gerçekleştirir ve yeterli değer yoksa işlem başarısız olabilir veya geçersiz bir sonuç döndürebilir. Özellik ve etiket sütunlarında kaç değer olduğunu görmek için veri kümenizi denetleyin ve gerçekleştirmeye çalıştığınız işlemin istatistiksel olarak geçerli olup olmadığını belirleyin.

Kaynak veri kümesi geçerliyse, bazı yukarı akış veri işleme veya meta veri işlemlerinin verileri değiştirip değiştirmediğini ve bazı değerleri kaldırıp kaldırmadığını da de kontrol edebilirsiniz.

Yukarı akış işlemleri bölme, örnekleme veya yeniden örnekleme içeriyorsa, çıkışların beklenen sayıda satır ve değer içerdiğini doğrulayın.

Özel Durum İletileri
Kategorik ve dize sütunlarında seçili sayısal sütunların ve benzersiz değerlerin sayısı çok küçük.
Kategorik ve dize sütunlarında (şu anda {actual_num}) seçili sayısal sütunların ve benzersiz değerlerin toplam sayısı en az {lower_boundary} olmalıdır.

Hata 0154

Kullanıcı, uyumlu olmayan sütun türüne sahip anahtar sütunlarındaki verileri birleştirmeye çalıştığında özel durum oluşur.

Özel Durum İletileri
Anahtar sütun öğesi türleri uyumlu değil.
Anahtar sütun öğesi türleri uyumlu değil. (sol: {keys_left}; sağ: {keys_right})

Hata 0155

Veri kümesinin sütun adları dize olmadığında özel durum oluşur.

Özel Durum İletileri
Veri çerçevesi sütun adı dize türü olmalıdır. Sütun adları dize değildir.
Veri çerçevesi sütun adı dize türü olmalıdır. {column_names} sütun adları dize değil.

Hata 0156

Azure SQL Veritabanı verileri okunamadığında özel durum oluşur.

Özel Durum İletileri
Azure SQL Veritabanı verileri okunamadı.
Azure SQL Veritabanı veri okunamadı: {detailed_message} DB: {database_server_name}:{database_name} Sorgu: {sql_statement}

Hata 0157

Veri deposu bulunamadı.

Özel Durum İletileri
Veri deposu bilgileri geçersiz.
Veri deposu bilgileri geçersiz. '{workspace_name}' çalışma alanında '{datastore_name}' Azure Machine Learning veri deposu alınamadı.

Hata 0158

Dönüştürme dizini geçersiz olduğunda oluşturulur.

Özel Durum İletileri
Verilen TransformationDirectory geçersiz.
TransformDirectory "{arg_name}" geçersiz. Neden: {reason}. Transform dosyasını oluşturan eğitim denemesini yeniden çalıştırın. Eğitim denemesi silindiyse lütfen Dönüştürme dosyasını yeniden oluşturun ve kaydedin.
TransformDirectory "{arg_name}" geçersiz. Neden: {reason}. {troubleshoot_hint}

Hata 0159

Bileşen modeli dizini geçersizse özel durum oluşur.

Özel Durum İletileri
Verilen ModelDirectory geçersiz.
"{arg_name}" ModelDirectory geçersiz.
"{arg_name}" ModelDirectory geçersiz. Neden: {reason}.
"{arg_name}" ModelDirectory geçersiz. Neden: {reason}. {troubleshoot_hint}

Hata 1000

İç kitaplık özel durumu.

Bu hata, işlenmeyen iç altyapı hatalarını yakalamak için sağlanır. Bu nedenle, bu hatanın nedeni hatayı oluşturan bileşene bağlı olarak farklı olabilir.

Daha fazla yardım almak için hataya eşlik eden ayrıntılı iletiyi, giriş olarak kullanılan veriler de dahil olmak üzere senaryonun açıklamasıyla birlikte Azure Machine Learning forumuna göndermenizi öneririz. Bu geri bildirim hatalara öncelik vermemize ve daha fazla çalışma için en önemli sorunları belirlememize yardımcı olacaktır.

Özel Durum İletileri
Kitaplık özel durumu.
Kitaplık özel durumu: {exception}.
Bilinmeyen kitaplık özel durumu: {exception}. {customer_support_guidance}.

Python Betiği bileşenini yürütme

Python Betiği Yürüt bileşeninin 70_driver_logs azureml_main'dearama yapıp hangi satırın hata oluştuğuna bakabilirsiniz. Örneğin, "Dosya "/tmp/tmp01_ID/user_script.py", satır 17, azureml_main", hatanın Python betiğinizin 17 satırında oluştuğuna işaret eder.

Dağıtılmış eğitim

Tasarımcı şu anda PyTorch Modeli bileşeni için dağıtılmış eğitimi ve Eğitme'i destekler.

Bileşen etkin dağıtılmış eğitim herhangi bir 70_driver günlük olmadan başarısız olursa hata ayrıntılarını de kontrol 70_mpi_log edebilirsiniz.

Aşağıdaki örnek, çalıştırma ayarlarının Düğüm sayısının , işlem kümesinin kullanılabilir düğüm sayısı değerinden daha büyük olduğunu gösterir.

Aşağıdaki örnekte düğüm başına işlem sayısının işlemin İşlem Biriminden daha büyük olduğu gösterilmektedir.

Aksi takdirde, her işlemi de kontrol 70_driver_log edebilirsiniz. 70_driver_log_0 ana işlem içindir.