Hata kodlarını kullanarak modül özel Azure Machine Learning sorunlarını giderme

Azure Machine Learning Studio'da (klasik) modülleri kullanarak karşılaşabilirsiniz hata iletileri ve özel durum kodları hakkında bilgi edinebilirsiniz.

Sorunu çözmek için bu makaledeki hataya bakarak yaygın nedenler hakkında bilgi alabilirsiniz. Studio'da (klasik) bir hata iletisinin tam metnini almak için iki yol vardır:

  • Sağ bölmede Çıkış Günlüğünü Görüntüle bağlantısına tıklayın ve en alta kaydırın. Ayrıntılı hata iletisi pencerenin son iki satırda görüntülenir.

  • Hataya sahip modülü seçin ve kırmızı X'e tıklayın. Yalnızca ilgili hata metni görüntülenir.

Hata iletisi metni yararlı olmuyorsa bağlam ve istenen eklemeler veya değişiklikler hakkında bilgi gönderin. Hata konusuyla ilgili geri bildirim gönderebilirsiniz veya Azure Machine Learning STUDIO forumlarını ziyaret edin ve bir soru gönderebilirsiniz.

Hata 0001

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

Bir modül için sütun seçimi yapılırsa ancak giriş veri kümesinde seçili sütun yoksa bu hatayı alırsınız. Bu hata, bir sütun adını el ile yazmanız veya sütun seçicinin denemeyi 100.000'den önce veri kümeniz içinde mevcut olmayan bir önerilen sütun sağladığında oluşabilir.

Çözüm: Bu özel durumu içeren modülü 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
Ad veya dizin içeren sütun {0} " " bulunamadı
Adı veya dizini " {0} " olan sütun " " içinde yok {1}

Hata 0,0002

Bir veya daha fazla parametre ayrıştırılamadıysanız veya belirtilen türden hedef Yöntem türüne göre gerekli bir şekilde dönüştürülemiyorsa özel durum oluşur.

Bu hata, giriş olarak bir parametre belirttiğinizde ve değer türü beklenen türden farklıysa ve örtük dönüştürme gerçekleştirilemediği zaman Azure Machine Learning oluşur.

Çözüm: Modül gereksinimlerini denetleyin ve hangi değer türünün gerekli olduğunu (dize, tamsayı, Çift, vb.) saptayın.

Özel durum Iletileri
Parametre ayrıştırılamadı
" {0} " Parametresi ayrıştırılamadı
"" Parametresi ayrıştırılamadı (dönüştürme) {0} {1} ""
"" Parametresi "" {0} öğesinden "" {1} öğesine dönüştürülemedi {2}
"" "" {0} Parametre değeri "" {1} iken "" {2} olarak dönüştürülemedi {3}
"" Sütunundaki "" değeri "" {0} {1} {2} {3} , belirtilen biçimin kullanımı ile "" olarak dönüştürülemedi {4}

Hata 0003

Bir veya daha fazla giriş null veya boş olduğunda özel durum oluşur.

Bu hatayı, bir modüle yönelik herhangi bir giriş veya parametre null ya da boş olduğunda Azure Machine Learning alırsınız. Bu hata, örneğin, bir parametre için herhangi bir değer yazmadınız meydana gelebilir. Ayrıca, eksik değerlere veya boş bir veri kümesine sahip bir veri kümesi seçerseniz da bu durum oluşabilir.

Çözüm:

  • Özel durumu üreten modülü açın ve tüm girişlerin belirtildiğini doğrulayın. Tüm gerekli girişlerin belirtildiğinden emin olun.
  • Azure depolama 'dan yüklenen verilerin erişilebilir olduğundan ve hesap adının veya anahtarın değişmediğinden emin olun.
  • Eksik değerler veya null değerleri için giriş verilerini denetleyin.
  • Bir veri kaynağında sorgu kullanıyorsanız, verilerin beklediğiniz biçimde döndürüldü olduğunu doğrulayın.
  • Veri belirtimleri ile ilgili yazım hataları veya diğer değişiklikleri kontrol edin.
Özel Durum İletileri
Bir veya daha fazla giriş null veya boş
Giriş " {0} " null veya boş

Hata 0004

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

İletide parametrenin, Azure Machine Learning işlemesi için gereken sınır değerinin altında olması durumda bu hatayı hata iletisiyle birlikte alırsınız.

Çözüm: Özel durum oluşturma modülünü yeniden ziyaret etmek ve parametresini belirtilen değerden büyük olacak şekilde değiştirmek.

Özel Durum İletileri
Parametre sınır değerinden büyük olmalıdır.
Parametre " {0} " değeri değerinden büyük {1} olmalıdır.
Parametre " {0} " büyük olmalıdır " " {1} değerine sahip {2}

Hata 0005

Parametre belirli bir değerden küçükse özel durum oluşur.

İletide yer alan parametrenin Azure Machine Learning modülünün verileri işlemesi için gereken sınır değerinin altında veya buna eşit olması durumda bu hatayı alırsınız.

Çözüm: Özel durum oluşturma modülünü yeniden ziyaret eder ve parametresini belirtilen değerden büyük veya ona eşit olacak şekilde değiştirir.

Özel Durum İletileri
Parametre sınır değerinden büyük veya ona eşit olmalıdır.
Parametre " {0} " değeri değerine eşit veya daha büyük {1} olmalıdır.
" {0} " Parametresi "" değerine sahip {1} ve bu değer değerinden büyük veya buna eşit olmalıdır {2} .

Hata 0006

Parametre belirtilen değerden büyük veya bu değere eşitse özel durum oluşur.

İletideki parametre, modülün verileri işlemesi için gereken sınır değerinden büyük veya bu değere eşitse Azure Machine Learning bu hatayı alırsınız.

Çözüm: Özel durumu oluşturan modülün yeniden ziyaret edin ve parametreyi belirtilen değerden daha az olacak şekilde değiştirin.

Özel durum Iletileri
Parametre uyumsuzluğu. Parametrelerden biri başka bir değerden küçük olmalıdır.
" {0} " Parametresinin değeri "" değerinden küçük olmalıdır {1} .
" {0} " Parametresi "" değerine sahip ve {1} bu değerden küçük olmalıdır {2} .

Hata 0007

Parametre belirli bir değerden daha büyükse özel durum oluşur.

Bu hatayı, modülün özelliklerinde izin verilenden daha büyük bir değer belirtenden Azure Machine Learning alırsınız. Örneğin, desteklenen tarihler aralığının dışında bir veri belirtebilir veya yalnızca üç sütun kullanılabilir olduğunda beş sütun kullanıldığını gösterebilirsiniz.

Bu hatayı, bir şekilde eşleşmesi gereken iki veri kümesi belirtiyorsanız de görebilirsiniz. Örneğin, sütunları yeniden adlandırıyorsanız ve sütunları dizine göre belirtirseniz, sağladığınız adların sayısı sütun dizini sayısıyla eşleşmelidir. Diğer bir örnek, iki sütun kullanan bir matematik işlemi olabilir, burada sütunlar aynı sayıda satıra sahip olmalıdır.

Çözüm:

  • Söz konusu modülü açın ve tüm sayısal özellik ayarlarını gözden geçirin.
  • Herhangi bir parametre değerinin, bu özellik için desteklenen değer aralığı içinde olduğundan emin olun.
  • Modül birden çok giriş alırsa, girişlerin aynı boyutta olduğundan emin olun.
  • Modülün ayarlanabilirsiniz birden çok özelliği varsa, ilgili özelliklerin uygun değerlere sahip olduğundan emin olur. Örneğin, Özel grup kenarlarını belirtme seçeneğini kullanırsanız, grup verileri grup sınırları olarak belirttiğiniz değer sayısıyla eşleşmesi gerekir.
  • Veri kümesi veya veri kaynağının değişip değişmediğini kontrol edin. Bazen sütun sayısı, sütun veri türleri veya verilerin boyutu değiştikten sonra verilerin önceki bir sürümüyle çalışan bir değer başarısız olur.
Özel durum iletileri
Parametrelerde eşleşmezlik. Parametrelerden biri, diğerine eşit veya daha küçük olmalıdır.
Parametre " {0} " değeri parametre " " değerinden küçük veya ona eşit {1} olmalıdır.
" " {0} parametresinin değeri " {1} " olmalıdır ve bu değere eşit veya daha küçük {2} olmalıdır.

Hata 0008

Parametre aralıkta yoksa özel durum oluşur.

İletide parametrenin, Azure Machine Learning için gereken sınırların dışında olması durumda bu hatayı hatayla karşılarsınız.

Örneğin, farklı sayıda sütuna sahip iki veri kümesi birleştirmek için Satır Ekle'yi kullanmaya çalışsanız bu hata görüntülenir.

Çözüm: Özel durum oluşturma modülünü yeniden ziyaret etmek ve parametresini belirtilen aralıkta olacak şekilde değiştirmek.

Özel Durum İletileri
Parametre değeri belirtilen aralıkta değil.
Parametre {0} " " değeri aralıkta değil.
Parametre {0} " " değeri [ , ] aralığında {1} {2} olmalıdır.

Hata 0009

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

Bu hata, bir Azure depolama hesabı için parametreler belirttiğinizde, ancak ad veya parola çözümlenemediğinde Azure Machine Learning Studio (klasik) ile oluşur. Parolalardan veya hesap adlarındaki hatalar birçok nedenden kaynaklanabilir:

  • Hesap yanlış türde. Bazı yeni hesap türleri Machine Learning Studio (klasik) ile kullanım için desteklenmez. Ayrıntılar için bkz. verileri Içeri aktarma .
  • Yanlış hesap adı girdiniz
  • Hesap artık yok
  • Depolama hesabının parolası yanlış veya değişmiş
  • Kapsayıcı adını belirtmediniz veya kapsayıcı yok
  • Dosya yolunu (Blobun yolu) tam olarak belirtmediniz

Çözüm:

Bu tür sorunlar genellikle hesap adını, parolayı veya kapsayıcı yolunu el ile girmeye çalıştığınızda oluşur. Veri Içeri aktarma modülü için yeni Sihirbazı kullanmanızı öneririz. Bu, adları bulmanıza ve denetlemeye yardımcı olur.

Ayrıca hesabın, kapsayıcının veya Blobun silinip silinmediğini denetleyin. Hesap adının ve parolanın 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 öğrenimi için kullanılamaz. Klasik depolama hesapları ve "genel amaçlı" olarak oluşturulan depolama hesapları iyi çalışır.

Bir Blobun yolun tamamı belirtilmişse, yolun kapsayıcı/blobname olarak belirtildiğinden ve hem kapsayıcının hem de Blobun hesapta bulunduğundan emin olun.

Yol önünde eğik çizgi içermemelidir. Örneğin /Container/blob yanlış ve kapsayıcı/blob olarak girilmelidir.

Kaynaklar

Desteklenen farklı depolama seçeneklerinin açıklaması için bu makaleye bakın: Verileri İçeri Aktarma modülüyle çeşitli çevrimiçi veri kaynaklarından Azure Machine Learning Studio'ya (klasik) veri aktarma

Örnek deneyler

Farklı veri kaynaklarına bağlanma örnekleri için Cortana Intelligence Galerisi'nde şu denemelere bakın:

Özel Durum İletileri
Azure depolama hesabı adı veya kapsayıcı adı yanlış.
Azure depolama hesabı adı " {0} " veya kapsayıcı adı " " {1} yanlış; kapsayıcı/blob biçiminde bir kapsayıcı adı bekleniyordu.

Hata 0010

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

İletide sütun dizininin iki Azure Machine Learning veri kümesinde farklı sütun adları varsa bu hatayı hata iletisiyle birlikte alırsınız.

Çözüm: Meta Verileri Düzenle'yi kullanın veya özgün veri kümesinde belirtilen sütun dizini için aynı sütun adını kullanın.

Özel Durum İletileri
Giriş veri kümelerde karşılık gelen dizine sahip sütunlar farklı adlara sahip olur.
Sütun adları, giriş veri kümelerinin {0} (ve sırasıyla) sütun (sıfır tabanlı) {1} için aynı {2} değildir.

Hata 0011

Geçirilen sütun kümesi bağımsız değişkeni herhangi bir veri kümesi sütununa uygulanamasa özel durum oluşur.

Belirtilen sütun seçimi, Azure Machine Learning veri kümesinde yer alan sütunlardan herhangi biri ile eşleşmezse bu hatayı hatayla karşıdan alabilirsiniz.

Ayrıca, bir sütun seçilmemişse ve modülün çalışması için en az bir sütun gerekliyse de bu hatayı alabilirsiniz.

Çözüm: Modülde sütun seçimini, veri kümesinde sütunlara uygulanacak şekilde değiştirme.

Modül, etiket sütunu gibi belirli bir sütunu seçmenizi gerektiriyorsa, doğru sütunun seçildiğini doğrulayın.

Uygunsuz sütunlar seçildiyse, bunları kaldırın ve denemeyi yeniden çalıştırın.

Özel durum Iletileri
Belirtilen sütun kümesi hiçbir veri kümesi sütunu için uygulanmıyor.
Belirtilen "" sütun kümesi {0} herhangi bir veri kümesi sütunu için uygulanmıyor.

Hata 0012

Geçirilen bağımsız değişkenler kümesiyle sınıf örneği oluşturuoluşturulamadığı takdirde özel durum oluşur.

Çözüm: Bu hata Kullanıcı tarafından işlem yapılabilir değildir ve gelecek sürümde kullanım dışı olacaktır.

Özel durum Iletileri
Eğitilen model, önce modeli eğitme.
Eğitilen model ( {0} ), eğitilen model kullanın.

Hata 0013

Modüle geçirilen Learner geçersiz bir tür ise özel durum oluşur.

Eğitilen bir model bağlı Puanlama modülüyle uyumsuz olduğunda bu hata oluşur. Örneğin, Matchbox öneren 'ın çıkışını Puanlama modeline bağlama ( puan Matchbox önerenyerine), deneme çalıştırıldığında bu hatayı oluşturacaktır.

Çözüm:

Eğitim modülü tarafından üretilen öğrenici türünü ve öğrenici için uygun Puanlama modülünü saptayın.

Model, özelleştirilmiş eğitim modüllerinden herhangi birini kullanarak eğitilolduysa, eğitilen modeli yalnızca ilgili özelleştirilmiş Puanlama modülüne bağlayın.

Model türü Eğitim modülü Puanlama modülü
herhangi bir sınıflandırıcı Modeli Eğitma veya Model HiperParametrelerini Ayarlama Puanlama Modeli
herhangi bir regresyon modeli Modeli Eğitma veya Model HiperParametrelerini Ayarlama Puanlama Modeli
kümeleme modelleri Kümeleme Modelini Eğitme veya Kümelemeye Tarama Kümelere Veri Atama
anomali algılama - One-Class SVM Anomali Algılama Modeli Eğitme Puanlama Modeli
anomali algılama - PCA Modeli Eğitma veya Model HiperParametrelerini Ayarlama Puanlama Modeli
Modeli değerlendirmek için bazı ek adımlar gerekir.
anomali algılama - zaman serisi Zaman Serisi Anomali Algılama Model verilerden eğiter ve puanlar üretir. Modül eğitilmiş bir öğrenciler oluşturmaz ve ek puanlama gerekmez.
öneri modeli Train Matchbox Recommender Puan Eşleşme Kutusu Önerici
görüntü sınıflandırması Önceden Eğitilmemiş Basamaklı Görüntü Sınıflandırması Puanlama Modeli
Vowpal Wabbit modelleri Vowpal Wabbit sürüm 7-4 modelini eğitme Vowpal Wabbit sürüm 7-4 modeli puanı
Vowpal Wabbit modelleri Vowpal Wabbit sürüm 7-10 modelini eğitme Vowpal Wabbit sürüm 7-10 modeli puanı
Vowpal Wabbit modelleri Vowpal Wabbit sürüm 8 modelini eğitme Vowpal Wabbit sürüm 8 modeli puanı
Özel durum Iletileri
Geçersiz tür öğrenici geçildi.
Learner " {0} " geçersiz türe sahip.

Hata 0014

Sütun benzersiz değerlerinin sayısı izin verilenden fazlaysa özel durum oluşur.

Bu hata, bir sütun çok sayıda benzersiz değer içerdiğinde oluşur. Örneğin, bir sütunun kategorik veriler olarak işleneceğini belirtirseniz, ancak sütunda işlemin tamamlanmasına izin vermek için çok sayıda benzersiz değer varsa, bu hatayı görebilirsiniz. Ayrıca, iki girişte benzersiz değer sayısı arasında uyuşmazlık varsa bu hatayı görebilirsiniz.

Çözüm:

Hatayı oluşturan modülü açın ve giriş olarak kullanılan sütunları tespit edin. Bazı modüller için, veri kümesi girişine sağ tıklayıp, benzersiz değer sayısı ve bunların dağılımı dahil olmak üzere tek tek sütunlarda istatistik almak için Görselleştir ' i seçebilirsiniz.

Gruplandırma veya kategorilere ayırma için kullanmayı düşündüğünüz sütunlarda, sütunlardaki benzersiz değerlerin sayısını azaltmak için gerekli adımları uygulayın. Sütunun veri türüne bağlı olarak farklı şekillerde azaltabilirsiniz.

  • Metin verileri için benzer girişleri daraltan ÖnIşlem Metni'ni kullanabilirsiniz.
  • Sayısal veriler için, Verileri Kümelere Grupla'ya kullanarak daha az sayıda grup oluşturabilir,Küçük Değerler kullanarak değerleri kaldırabilir veya kesebilirsiniz ya da verilerin boyutsallıklarını azaltmak için Ana Bileşen Analizi veya Sayımlarla Öğrenme gibi makine öğrenmesi yöntemlerini kullanabilirsiniz.

İpucu

Senaryoyla eşleşen bir çözüm bulamıyor musunuz? Bu konu hakkında, hatayı oluşturan modülün adını ve sütunun veri türünü ve kardinalitesini içeren geri bildirim sabilirsiniz. Bu bilgileri, yaygın senaryolar için daha hedefli sorun giderme adımları sağlamak üzere kullanacağız.

Özel Durum İletileri
Sütun benzersiz değerlerinin sayısı izin verilenden büyüktür.
Sütundaki benzersiz değerlerin sayısı: " " , veri {0} grubu sayısını {1} aşıyor.

Hata 0015

Veritabanı bağlantısı başarısız olursa özel durum oluşur.

Yanlış bir SQL hesabı adı, parolası, veritabanı sunucusu veya veritabanı adı girerseniz veya veritabanı veya sunucuyla ilgili sorunlar nedeniyle veritabanıyla bağlantı kurulamazsa bu hatayı alırsınız.

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

Özel Durum İletileri
Veritabanı bağlantısı oluşturma hatası.
Veritabanı bağlantısı oluşturma hatası: {0} .

Hata 0016

Modüle geçirilen giriş veri kümelerinin uyumlu sütun türlerine sahip olması ancak uyumlu olması gerektiriliyorsa özel durum oluşur.

İki veya daha fazla Azure Machine Learning geçirilen sütunların türleri birbirine uyumlu değilse, bu hatayı hata iletisiyle alırsınız.

Çözüm: Sütun türlerinin uyumluolduğundan emin olmak için Meta Verileri Düzenle'yi kullanın, özgün giriş veri kümelerini düzenleyin veya Veri Kümesine Dönüştür'i kullanın.

Özel durum Iletileri
Giriş veri kümelerinde karşılık gelen dizine sahip sütunlarda uyumsuz türler vardır.
Sütunlar {0} ve {1} uyumsuzdur.
Sütun öğesi türleri, {0} giriş veri kümelerinin ( {1} ve sırasıyla) sütun (sıfır tabanlı) için uyumlu değildir {2} .

Hata 0017

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

Örneğin, sütun seçiminiz, bir Math işleminin dize sütunu veya bir categorik özellik sütununun gerekli olduğu bir puan sütunu gibi, modül tarafından işlenemediği bir veri türüne sahip bir sütun içeriyorsa Azure Machine Learning bu hatayı alabilirsiniz.

Çözüm:

  1. Sorun olan sütunu belirler.
  2. Modülün gereksinimlerini gözden geçirin.
  3. Bir sütunu gereksinimlere uygun hale getirmek için değiştirin. Bir sütuna ve denediğiniz dönüştürmeye bağlı olarak, değişiklikler yapmak için aşağıdaki modüllerden birkaçını kullanmanız gerekebilir:
    • Sütunların veri türünü değiştirmek veya sütun kullanımını özellikten sayısal olarak, kategorik olmayan kategorilere ayrılmamış olarak değiştirmek için meta verileri Düzenle ' yi kullanın.
    • Dahil edilen tüm sütunların Azure Machine Learning tarafından desteklenen veri türlerini kullandığından emin olmak için veri kümesine Dönüştür ' ü kullanın. Sütunları dönüştüremezsiniz, bunları giriş veri kümesinden kaldırmayı göz önünde bulundurun.
    • Değişiklik meta verilerinikullanarak değiştirilemeyen sütunları dönüştürmek veya dönüştürmek Için SQL dönüşümünü Uygula veya R betik modüllerini Çalıştır ' i kullanın. Bu modüller, tarih saat veri türleriyle çalışmaya yönelik daha fazla esneklik sağlar.
    • Sayısal veri türleri için, değerleri yuvarlamak veya kesmek için matematik Işlemini Uygula modülünü kullanabilir veya Aralık değerlerini kaldırmak Için klip değerleri modülünü kullanabilirsiniz.
  4. Son çare olarak, özgün giriş veri kümesini değiştirmeniz gerekebilir.

İpucu

Senaryoünüzle eşleşen bir çözüm bulunamıyor mu? Hatayı oluşturan modülün adını ve sütunun veri türünü ve kardinalitesini içeren bu konu hakkında geri bildirim sağlayabilirsiniz. Bu bilgileri, yaygın senaryolar için daha hedefli sorun giderme adımları sağlamak üzere kullanacağız.

Özel Durum İletileri
Geçerli türe ait sütun iş olamaz. tür modülü tarafından desteklenmiyor.
türünde bir sütun iş {0} olamaz. tür modülü tarafından desteklenmiyor.
türüne ait " {1} " sütunu iş {0} olamaz. tür modülü tarafından desteklenmiyor.
türüne ait " {1} " sütunu iş {0} olamaz. Türü modül tarafından desteklenmiyor. Parametre adı: {2}

Hata 0018

Giriş veri kümesi geçerli değilse özel durum oluşur.

Çözüm: Bu hata Azure Machine Learning birçok bağlamda görünebilir, bu nedenle tek bir çözüm olmaz. Genel olarak hata, modüle giriş olarak sağlanan verilerin yanlış sayıda sütuna sahip olduğunu veya veri türünün modülün gereksinimleriyle eşleşme olmadığını gösterir. Örnek:

  • Modül için bir etiket sütunu gerekir, ancak etiket olarak işaretlenen bir sütun yoktur veya henüz bir etiket sütunu seçilmemiş olabilir.

  • Modülde verilerin kategorik olması gerekir ancak verileriniz sayısaldır.

  • Modül belirli bir veri türü gerektirir. Örneğin, Train Matchbox Recommender için sağlanan derecelendirmeler sayısal veya kategorik olabilir, ancak kayan nokta sayıları olamaz.

  • Veriler yanlış biçimde.

  • İçeri aktarılan veriler geçersiz karakterler, hatalı değerler veya Aralık değerleri içeriyor.

  • Sütun boş veya çok fazla eksik değer içeriyor.

Gereksinimleri ve verilerinizin nasıl olabileceğini öğrenmek için, veri kümesini girdi olarak kullanan modülün yardım konusunu gözden geçirin.

Ayrıca verilerinizin profilini oluşturup bu modülleri kullanarak meta verileri ve Temizleme değerlerini de kullanarak verileri düzenleyebilir ve bu modülleri kullanarak meta verileri düzenleyebilir, eksik verileri temizleyebilir, klip değerlerinitemizler.

Özel durum Iletileri
Veri kümesi geçerli değil.
{0} geçersiz veri içeriyor.
{0} ve {1} tutarlı bir sütun temelinde olmalıdır.

Hata 0019

Sütunun sıralanmış değerleri içermesi bekleniyorsa, özel durum oluşur, ancak bunu yapmaz.

Belirtilen sütun değerleri sıra dışı ise bu hatayı Azure Machine Learning alırsınız.

Çözüm: Giriş veri kümesini el ile değiştirerek sütun değerlerini sıralayın ve modülü yeniden çalıştırın.

Özel durum Iletileri
Sütundaki değerler sıralanmaz.
"" Sütunundaki değerler {0} sıralanmaz.
"" {0} Veri kümesinin "" sütunundaki değerler {1} sıralanmaz.

Hata 0020

Modüle geçirilen bazı veri kümelerinde sütun sayısı çok küçük olduğunda özel durum oluşur.

Bu hatayı, bir modül için yeterli sütun seçilmemişse Azure Machine Learning alırsınız.

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

Özel Durum İletileri
Giriş veri kümesinde sütun sayısı izin verilen minimumdan küçük.
Giriş veri kümesinde sütun sayısı, izin verilen minimum sütun {0} sayısından küçük.
Giriş veri kümesinde sütun sayısı " {0} " izin verilen minimum sütun {1} sayısından küçük.

Hata 0021

Modüle geçirilen bazı veri kümelerinin satır sayısı çok küçükse özel durum oluşur.

veri kümesinde belirtilen Azure Machine Learning gerçekleştirmek için yeterli satırlar yok olduğunda, içinde görülen bu hata. Örneğin, giriş veri kümesi boşsa veya en az sayıda satırın geçerli olması gereken bir işlem gerçekleştirmeye çalışıyorsanız bu hatayı alabilirsiniz. Bu tür işlemler istatistiksel yöntemlere, belirli gruplama türlerine ve sayılarla öğrenmeye göre gruplama veya sınıflandırmayı içerebilir (ancak bunlarla sınırlı değildir).

Çözüm:

  • Hatayı döndürülen modülü açın ve giriş veri kümesi ile modül özelliklerini kontrol edin.
  • Giriş veri kümesi boş değildir ve modül yardımı altında 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 alamayacak bir hata veya değişiklik olmadığını emin olun.
  • Modülün veri yukarı akışında temizleme, bölme veya birleştirme işlemleri gibi veri türünü veya değer sayısını etkileyebilecek bir işlem gerçekleştiriyorsanız, döndürülen satır sayısını belirlemek için bu işlemlerin çıkışlarını kontrol edin.

Hata 0022

Giriş veri kümesinde seçilen sütun sayısı beklenen sayıya eşit yoksa özel durum oluşur.

Aşağı akış Azure Machine Learning işlemi belirli sayıda sütun veya giriş gerektirdiğinde ve çok az veya çok fazla sütun ya da giriş sağladıysanız bu hata oluşabilir. Örnek:

  • Tek etiketli bir sütun veya anahtar sütunu belirtirsiniz ve yanlışlıkla birden çok sütun seçilir.

  • Sütunları yeniden adlandırıyor ancak sütunlara göre daha fazla veya daha az ad sağladık.

  • Kaynak veya hedefteki sütun sayısı değişmiş veya modül tarafından kullanılan sütun sayısıyla eşleşmiyor.

  • Girişler için virgülle ayrılmış bir değerler listesi sağladınız, ancak değer sayısı eşleşmiyor veya birden çok giriş desteklenmiyor.

Çözüm: Doğru sayıda sütun seçildiğinden emin olmak için modülü yeniden ziyaret edin ve sütun seçimini denetleyin. Yukarı akış modüllerinin çıkışlarını ve aşağı akış işlemlerinin gereksinimlerini doğrulayın.

Birden çok sütun (sütun dizini, tüm özellikler, tüm sayısal öğeler vb.) seçebileceğiniz sütun seçim seçeneklerinden birini kullandıysanız, seçimin döndürdüğü sütunların tam sayısını doğrulayın.

Sıkıştırılmış veri kümelerinin bir virgülle ayrılmış listesini, Sıkıştırılmış veri kümelerinin paketiniaçmak için giriş olarak belirtmeye çalışıyorsanız, tek seferde yalnızca bir veri kümesini açın. Birden çok giriş desteklenmez.

Yukarı akış sütunlarının sayısının veya türünün değiştirilmediğini doğrulayın.

Bir modeli eğitme için bir öneri veri kümesi kullanıyorsanız, öneren Kullanıcı öğesi çiftlerine veya Kullanıcı-öğe derecelendirerleriyle ilgili olarak sınırlı sayıda sütun beklediğini unutmayın. Model eğitimi yapmadan veya öneri veri kümelerini bölmeden önce ek sütunları kaldırın. Daha fazla bilgi için bkz. verileri bölme.

Özel durum Iletileri
Giriş veri kümesindeki Seçili sütunların sayısı beklenen sayıya eşit değil.
Giriş veri kümesindeki Seçili sütunların sayısı değerine eşit değil {0} .
Sütun seçim deseninin " {0} ", giriş veri kümesindeki Seçili sütunların sayısını şuna eşit değil {1} .
"" Sütun seçim deseninin {0} {1} giriş veri kümesinde seçili olan sütun (ler) i sağlaması bekleniyor, ancak {2} sütunlar/değerler belirtildi.

Hata 0023

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

Azure Machine Learning içindeki bu hata, hedef sütun (modül parametrelerinde seçildiği gibi) geçerli veri türünde değilse, eksik tüm değerler içermediğinde veya beklendiği gibi kategorilendiğinde oluşur.

Çözüm: Etiket/hedef sütun içeriğini incelemek için modül girişini yeniden ziyaret edin. Tüm eksik değerlere sahip olmadığını emin olun. Modül hedef sütunun kategorik olması bekliyorsa hedef sütunda birden fazla ayrı değer olduğundan emin olun.

Özel Durum İletileri
Giriş veri kümesi desteklenmeyen hedef sütuna sahip.
Giriş veri kümesi desteklenmeyen hedef sütuna sahip " {0} ".
Giriş veri kümesi, türünde öğrenciler için desteklenmeyen {0} " " hedef sütununa {1} sahip.

Hata 0024

Veri kümesinde etiket sütunu yoksa özel durum oluşur.

Modülde Azure Machine Learning bir etiket sütunu gerektirdiğinde ve veri kümesinde etiket sütunu yoksa bu hata oluşur. Örneğin puanlı veri kümelerinin değerlendirilmesi için genellikle işlem doğruluğu ölçümleri için bir etiket sütunu gerekir.

Ayrıca, veri kümesinde bir etiket sütunu mevcut olabilir, ancak veri kümesi tarafından doğru Azure Machine Learning.

Çözüm:

  • Hatayı oluşturan modülü açın ve bir etiket sütunu olup olmadığını belirler. Sütun tahmin etmeye çalıştığın tek bir sonuç (veya bağımlı değişken) içerdiği sürece sütunun adı veya veri türü önemli değildir. Etiketin hangi sütunda olduğundan emin değilsanız Sınıf veya Hedef gibi genel bir ad olup olmadığını bakın.
  • Veri kümesinde etiket sütunu yoksa, etiket sütunu açıkça veya yanlışlıkla yukarı akıştan kaldırılmış olabilir. Veri kümesi, yukarı akış puanlama modülünün çıkışı da değildir.
  • Sütunu etiket sütunu olarak açıkça işaretlemek için Meta Verileri Düzenle modülünü ekleyin ve veri kümesine bağlanabilirsiniz. Yalnızca etiket sütununu seçin ve Alanlar açılan listesinden Etiket'i seçin.
  • Etiket olarak yanlış sütun seçilirse Alanlar'dan Etiketi temizle'yi seçerek sütundaki meta verileri düzeltebilirsiniz.
Özel durum Iletileri
Veri kümesinde etiket sütunu yok.
"" İçinde etiket sütunu yok {0} .

Hata 0025

Veri kümesinde bir puan sütunu yoksa özel durum oluşur.

Azure Machine Learning içindeki bu hata, değerlendir modeli girişi geçerli puan sütunları içermiyorsa oluşur. Örneğin, Kullanıcı, doğru eğitilen bir modelle puanlanmadan önce bir veri kümesini değerlendirmeye çalışır veya puan sütunu açıkça yukarı akış olarak bırakılmıştı. Bu özel durum, iki veri kümelerinde puan sütunları uyumsuzsa da oluşur. Örneğin, doğrusal bir gerileme algılayıcısı 'nın doğruluğunu bir ikili sınıflandırıcıdan karşılaştırmaya çalışıyor olabilirsiniz.

Çözüm: Girdiyi değerlendir modeline yeniden ziyaret edin ve bir veya daha fazla puan sütunu içerip içermediğinden inceleyin. Aksi takdirde, veri kümesi puanlanmadı veya bir yukarı akış modülünde puan sütunları bırakılmıştı.

Özel durum Iletileri
Veri kümesinde puan sütunu yok.
"" İçinde puan sütunu yok {0} .
"" İçinde "" tarafından üretilen hiçbir puan sütunu yok {0} {1} . Doğru öğrenner türünü kullanarak veri kümesini puan edin.

Hata 0026

Aynı ada sahip sütunlara izin verilmiyorsa özel durum oluşur.

Aynı ada sahip birden çok sütun varsa Azure Machine Learning bu hata oluşur. Bu hatayı alabileceğiniz bir yol, veri kümesinin bir başlık satırına sahip olmaması ve sütun adlarının otomatik olarak atanabileceği bir yoldur: Col0, Sütun1, vb.

Çözüm: Sütunların adı aynı ise giriş veri kümesi ile modül arasına Meta Verileri Düzenle modülünü ekleyin. Meta Verileri Düzenle'de sütun seçiciyi kullanarak yeniden adlandırmak istediğiniz sütunları seçin ve Yeni sütun adları metin kutusuna yeni adları yazın.

Özel Durum İletileri
Eşit sütun adları bağımsız değişkenlerde belirtilir. Modül tarafından eşit sütun adlarına izin verilmez.
" " ve " " bağımsız değişkenlerinden {0} eşit sütun {1} adlarına izin verilmez. Farklı adlar belirtin.

Hata 0027

İki nesnelerin aynı boyutta olması ancak aynı boyutta olması gerekma durumunda özel durum oluşur.

Bu, çok sayıda Azure Machine Learning yaygın bir hatadır ve birçok durumdan kaynak olabilir.

Çözüm: Belirli bir çözüm yoktur. Ancak, aşağıdakiler gibi koşulları kontrol edin:

  • Sütunları yeniden adıyorsanız, her listenin (giriş sütunları ve yeni adlar listesi) aynı sayıda öğeye sahip olduğundan emin olun.

  • İki veri kümesine katıldıysanız veya kümeyi bir geçiriyorsanız, bunların aynı şemaya sahip olduğundan emin olun.

  • Birden çok sütunu olan iki veri kümesine katıyorsanız, anahtar sütunlarının aynı veri türüne sahip olduğundan emin olun ve Seçimde Yinelenenleri çoğaltmaya ve sütun sıralamasını korumaya izin ver seçeneğini belirleyin.

Özel Durum İletileri
Geçirilen nesnelerin boyutu tutarsız.
" " {0} boyutunun boyutu " boyutuyla {1} tutarsız.

Hata 0028

Sütun kümesinde yinelenen sütun adları olduğunda ve buna izin verilmeme durumunda özel durum oluşur.

Azure Machine Learning bu hata, sütun adları çoğaltıldığında oluşur; Yani, benzersiz değildir.

Çözüm: Herhangi bir sütun aynı ada sahip ise, giriş veri kümesi ve hatayı ortaya geçiren modül arasında bir düzenleme meta verileri örneği ekleyin. Yeniden adlandırılacak sütunları seçmek için meta verileri Düzenle ' de sütun seçiciyi kullanın ve yeni sütun adları metin kutusuna yeni sütun adlarını yazın. Birden çok sütunu yeniden adlandırıyorsanız, Yeni sütun adlarına yazdığınız değerlerin benzersiz olduğundan emin olun.

Özel durum Iletileri
Sütun kümesi yinelenen sütun adları içeriyor.
"" Adı {0} yineleniyor.
"" Adı " {0} " içinde yineleniyor {1} .

Hata 0029

Geçersiz URI geçirildiğinde özel durum oluşur.

Geçersiz URI geçirildiğinde Azure Machine Learning bu hata oluşur. Aşağıdaki koşullardan herhangi biri doğru olduğunda bu hatayı alırsınız:, veya.

  • Okuma veya yazma için Azure Blob depolama için belirtilen genel veya SAS URI 'SI bir hata içeriyor.

  • SAS için zaman penceresinin süresi doldu.

  • HTTP kaynağı aracılığıyla Web URL 'SI bir dosyayı veya geri döngü URI 'sini temsil eder.

  • HTTP üzerinden Web URL 'SI hatalı biçimlendirilmiş bir URL içerir.

  • URL, uzak kaynak tarafından çözümlenemiyor.

Çözüm: Modülü yeniden ziyaret edin ve URI 'nin biçimini doğrulayın. Veri kaynağı HTTP aracılığıyla bir Web URL 'SI ise, hedeflenen kaynağın bir dosya ya da bir geri döngü URI 'SI (localhost) olmadığını doğrulayın.

Özel durum Iletileri
Geçersiz Uri geçirildi.

Hata 0030

Bir dosyanın indirilenemayrı durumunda özel durum oluşur.

Dosyanın Azure Machine Learning dosya indirileyene kadar bu özel durum oluşur. Üç (3) yeniden deneme denemesi sonrasında HTTP kaynağından okuma girişimi başarısız olduğunda bu özel durumu alırsınız.

Çözüm: HTTP kaynağına ait URI'nin doğru olduğunu ve siteye İnternet üzerinden erişile olduğunu doğrulayın.

Özel Durum İletileri
Dosya indirilamadı.
Dosyası indirirken hata oluştu: {0} .

Hata 0031

Sütun kümesinde sütun sayısı gerekenden azsa özel durum oluşur.

Seçilen sütun Azure Machine Learning gerekenden azsa bu hata oluşur. Gerekli en düşük sütun sayısı seçilmezse bu hatayı alırsınız.

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

Özel Durum İletileri
Sütun kümesinde sütun sayısı gerekli olandan azdır.
{0} sütun(lar) belirtilmelidir. Belirtilen sütunların gerçek sayısı: {1} .

Hata 0032

Bağımsız değişken sayı değilse özel durum oluşur.

Bağımsız değişken bir Double veya NaN ise Azure Machine Learning bu hatayı alırsınız.

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

Özel durum Iletileri
Bağımsız değişken bir sayı değil.
" {0} " bir sayı değil.

Hata 0033

Bağımsız değişken sonsuzluk ise özel durum oluşur.

Bağımsız değişken sonsuz ise Azure Machine Learning bu hata oluşur. Bağımsız değişken ya da ise bu hatayı alırsınız double.NegativeInfinity double.PositiveInfinity .

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

Özel durum Iletileri
Bağımsız değişken sonlu olmalıdır.
" {0} " sınırlı değil.

Hata 0034

Belirli bir Kullanıcı öğesi çifti için birden çok derecelendirme varsa özel durum oluşur.

Bir Kullanıcı öğesi çiftinin birden fazla derecelendirme değeri varsa Azure Machine Learning bu hata öneriye göre oluşur.

Çözüm: Kullanıcı öğesi çiftinin yalnızca bir derecelendirme değeri içerdiğinden emin olun.

Özel durum Iletileri
Veri kümesindeki değer (ler) için birden fazla derecelendirme var.
{0}Derecelendirme tahmin verileri tablosundaki Kullanıcı ve öğe için birden çok derecelendirme {1} .

Hata 0035

Özel durum, verilen bir kullanıcı veya öğe için hiçbir özellik sağlanamıyorsa oluşur.

Bu hata Azure Machine Learning puanlama için bir öneri modeli kullanmaya çalışıyorsanız ancak özellik vektörü bulunamıyor.

Çözüm:

Matchbox önerici, öğe özellikleri veya kullanıcı özellikleri kullanılırken karşı kullanılması gereken belirli gereksinimlere sahiptir. Bu hata, giriş olarak sağlanan bir kullanıcı veya öğe için bir özellik vektörü eksik olduğunu gösterir. Her kullanıcı veya öğe için verilerde bir özellik vektörü olduğundan emin olmak gerekir.

Örneğin, kullanıcının yaşı, konumu veya geliri gibi özellikleri kullanarak bir öneri modeli eğittiy ancak şimdi eğitim sırasında görülen yeni kullanıcılar için puanlar oluşturmak istemeniz, yeni kullanıcılar için uygun tahminlerde bulunarak yeni kullanıcılara eşdeğer özellikler kümesi (yaş, konum ve gelir değerleri) sağlamanız gerekir.

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

Öneri modundan puanlama sırasında öğe veya kullanıcı özelliklerini yalnızca eğitim sırasında daha önce öğe veya kullanıcı özelliklerini kullandıysanız kullanabilirsiniz. Daha fazla bilgi için, bkz. Score Matchbox Recommender.

Matchbox öneri algoritmasının nasıl çalıştığını ve öğe özellikleri veya kullanıcı özelliklerinin veri kümesi hazırlama hakkında genel bilgi için bkz. Train Matchbox Recommender.

İpucu

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

Özel Durum İletileri
Gerekli bir kullanıcı veya öğe için özellik sağlandı.
Gerekli ancak {0} sağlanmaz özellikleri.

Hata 0036

Belirli bir kullanıcı veya öğe için birden fazla özellik vektörü sağlanmışsa özel durum oluşur.

Bir özellik vektörü birden çok kez tanımlanmışsa Azure Machine Learning bu hata oluşur.

Çözüm: Özellik vektörünün birden çok kez tanımlandığından emin olun.

Özel durum Iletileri
Bir kullanıcı veya öğe için yinelenen özellik tanımı.
İçin yinelenen özellik tanımı {0} .

Hata 0037

Birden çok etiket sütunu belirtilirse ve yalnızca birine izin veriliyorsa özel durum oluşur.

Yeni etiket sütunu olarak birden fazla sütun seçilirse Azure Machine Learning bu hata oluşur. En denetimli öğrenme algoritmaları, hedef veya etiket olarak işaretlenmesi için tek bir sütun gerektirir.

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

Özel durum Iletileri
Birden çok etiket sütunu belirtildi.

Hata 0038

Beklenen öğe sayısı tam değer olmalıdır, ancak bu durum değildir.

Azure Machine Learning içindeki bu hata, beklenen öğe sayısı tam değer olmalıdır, ancak bu durum değildir. Öğe sayısı beklenen geçerli değere eşit değilse bu hatayı alırsınız.

Çözüm: Girişi doğru sayıda öğe olacak şekilde değiştirin.

Özel durum Iletileri
Öğe sayısı geçerli değil.
" " içinde öğe {0} sayısı geçerli değil.
" " {0} öğesinde yer alan öğe sayısı, geçerli öğe {1} sayısına eşit değildir.

Hata 0039

Bir işlem başarısız olursa özel durum oluşur.

Bu hata Azure Machine Learning iç işlem tamamlanamadı olduğunda oluşur.

Çözüm: Bu hata birçok durumdan kaynak alır ve belirli bir çözüm yoktur.
Aşağıdaki tabloda bu hataya ilişkin genel iletiler ve ardından koşulun belirli bir açıklaması yer alır.

Herhangi bir ayrıntı yoksa, geri bildirim gönderin ve hatayla ilgili koşulları oluşturan modüller hakkında bilgi gönderin.

Özel Durum İletileri
İşlem başarısız oldu.
İşlem tamam alırken hata oluştu: {0} .

Hata 0040

Kullanım dışı modülü çağrılırken özel durum oluşur.

Kullanım dışı Azure Machine Learning çağrılırken bu hata oluşur.

Çözüm: Kullanım dışı modülü desteklenen bir modülle değiştirin. Bunun yerine hangi modülün kullanılası hakkında bilgi için modül çıkış günlüğüne bakın.

Özel Durum İletileri
Kullanım dışı modülüne erişme.
Modül {0} " " kullanım dışıdır. Bunun yerine " {1} " modülünü kullanın.

Hata 0041

Kullanım dışı bir modül çağrılırken özel durum oluştu.

Azure Machine Learning bu hata, kullanım dışı bir modül çağrılırken üretilir.

Çözüm: Kullanım dışı bırakılan modülü desteklenen bir küme ile değiştirin. Bu bilgiler modül çıkış günlüğünde görünür olmalıdır.

Özel durum Iletileri
Kullanım dışı modüle erişme.
" {0} " Modülü kullanım dışıdır. {1}İstenen işlevsellik için "" modüllerini kullanın.

Hata 0042

Sütunu başka bir türe dönüştürmek mümkün olmadığında özel durum oluşur.

Azure Machine Learning bu hata, sütunu belirtilen türe dönüştürmek mümkün olmadığında oluşur. Bu hata, bir modül DateTime, Text, kayan noktalı sayı veya tamsayı gibi belirli bir veri türünü gerektiriyorsa, ancak mevcut bir sütunu gerekli türe dönüştürmek mümkün değilse bu hatayı alırsınız.

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

Diğer bir nedenden dolayı, kayan noktalı sayılar veya çok sayıda benzersiz değer içeren bir sütunu kategorik bir sütun olarak kullanmayı denerseniz bu hatayı alabilirsiniz.

Çözüm:

  • Hatayı oluşturan modülün yardım sayfasını açın ve veri türü gereksinimlerini doğrulayın.
  • Giriş veri kümesindeki sütunların veri türlerini gözden geçirin.
  • Bu durumda, şema-daha az veri kaynağı olarak adlandırılan verileri inceleyin.
  • Eksik değerler veya istenen veri türüne dönüştürmeyi engelleyebilen özel karakterler için veri kümesini denetleyin.
    • Sayısal veri türleri tutarlı olmalıdır: Örneğin, tamsayılar sütunundaki kayan nokta numaralarını denetleyin.
    • Sayı sütununda metin dizelerini veya NA değerlerini arama.
    • Boole değerleri, gerekli veri türüne bağlı olarak uygun bir gösterime dönüştürmek için kullanılır.
    • Unicode olmayan karakterler, sekme karakterleri veya denetim karakterleri için metin sütunlarını inceleme
    • Modelleme hatalarını önlemek için tarih saat verileri tutarlı olmalıdır, ancak temizleme birçok biçim nedeniyle karmaşık olabilir. Temizleme gerçekleştirmek için R Betiği Yürütme veya Python Betiği Yürütme modüllerini kullanmayı göz önünde bulundurabilirsiniz.
  • Gerekirse, sütunun başarıyla dönüştürülmesi için giriş veri kümesinde değerleri değiştirin. Değişiklikler arasında binnleme, kesme veya yuvarlama işlemleri, eksik değerlerin ortadan kaldırılması veya eksik değerlerin at edilmesi olabilir. Makine öğrenmesinde bazı yaygın veri dönüştürme senaryoları için aşağıdaki makalelere bakın:

İpucu

Çözüm belirsiz mi yoksa sizin için geçerli mi? Bu makaleyle ilgili geri bildirim gönderebilir ve modül ve sütunun veri türü de dahil olmak üzere senaryo hakkında bilgi sebilirsiniz. Gelecekte daha ayrıntılı sorun giderme adımları sağlamak için bu bilgileri kullanacağız.

Özel Durum İletileri
İzin verilmiyor dönüştürme.
türünde sütunu türünde bir {0} sütuna dönüştürüledi. {1}
Türün " {2} " sütunu türünde bir {0} sütuna dönüştürüledi. {1}
Türün " {2} " sütunu, {0} türün " {3} " sütununa dönüştürüledi. {1}

Hata 0043

Öğe türü Açıkça Equals uygulamazsa özel durum oluşur.

Bu hata Azure Machine Learning kullanım dışıdır ve kullanım dışıdır.

Çözüm: Seçim.

Özel durum Iletileri
Erişilebilir açık yöntem bulunamadı.
\Türündeki "" sütunu için değerler karşılaştırılamıyor {0} \ {1} . Erişilebilir açık yöntem bulunamadı.

Hata 0044

Mevcut değerlerden sütun öğe türü türetilemiyor olması mümkün olmadığında özel durum oluşur.

Azure Machine Learning içindeki bu hata, bir veri kümesindeki sütun veya sütunların türünü çıkarsanmak mümkün olmadığında oluşur. Bu genellikle farklı öğe türlerine sahip iki veya daha fazla veri kümesini birleştirirken oluşur. Azure Machine Learning, bilgi kaybı olmadan bir sütun veya sütundaki tüm değerleri temsil edebilecek ortak bir tür belirleyemediğini bu hatayı oluşturur.

Çözüm: Her iki veri kümesinin da birleştirileceği belirli bir sütundaki tüm değerlerin aynı türde (sayısal, Boole, kategorik, dize, tarih, vb.) olduğundan emin olun veya aynı türe zorlanverilebilir.

Özel durum Iletileri
Sütunun öğe türü türetilemiyor.
"" Sütunu için öğe türü türetilemez {0} --tüm öğeler null başvurulardır.
"" Veri kümesinin "" sütunu için öğe türü türetilemez {0} {1} --tüm öğeler null başvurulardır.

Hata 0045

Kaynakta karışık öğe türleri nedeniyle bir sütun oluşturulması mümkün olmadığında özel durum oluşur.

Azure Machine Learning bu hata, birleştirilmekte olan iki veri kümesinin öğe türleri farklı olduğunda üretilir.

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

Özel durum Iletileri
Karışık öğe türleriyle sütun oluşturulamaz.
Karma öğe türlerinin kimliği " " olan sütun {0} oluşturulamaz:\n\tType of data[ {1} , ] is {0} {2} \n\tType of data[ {3} , ] is {0} {4} .

Hata 0046

Belirtilen yolda dizin oluşturulamaysa özel durum oluşur.

Belirtilen Azure Machine Learning dizin oluşturulamaysa da bu hata oluşur. Hive Sorgusu için çıkış dizini yolunun herhangi bir bölümü yanlışsa veya erişilemezse bu hatayı alırsınız.

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

Özel Durum İletileri
Geçerli bir çıkış dizini belirtin.
Dizin: {0} oluşturulamaz. Geçerli yolu belirtin.

Hata 0047

Modüle geçirilen bazı veri kümelerinin özellik sütunlarının sayısı çok küçükse özel durum oluşur.

Eğitime Azure Machine Learning veri kümesi algoritma için gereken en az sayıda sütun içermezse bu hata oluşur. Genellikle veri kümesi boştur veya yalnızca eğitim sütunları içerir.

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

Özel Durum İletileri
Giriş veri kümesinde özellik sütunlarının sayısı izin verilen minimumdan küçük.
Giriş veri kümesinde özellik sütunlarının sayısı, izin verilen minimum sütun {0} sayısından küçük.
Giriş veri kümesinde özellik sütunlarının sayısı " {0} " izin verilen minimum sütun {1} sayısından küçük.

Hata 0048

Bir dosya açmak mümkün olmadığı durumlarda özel durum oluşur.

Azure Machine Learning bu hata, bir dosyayı okuma veya yazma için açmak mümkün olmadığında oluşur. Bu nedenlerden dolayı bu hatayı alabilirsiniz:

  • Kapsayıcı veya dosya (blob) yok

  • Dosya veya kapsayıcının erişim düzeyi dosyaya erişmenize izin vermiyor

  • Dosya okuma için çok büyük ya da yanlış biçimde

Çözüm: Modülü ve okumaya çalıştığınız dosyayı yeniden ziyaret edin.

Kapsayıcının ve dosyanın adlarının doğru olduğundan emin olun.

Dosyaya erişim izninizin olduğunu doğrulamak için klasik Azure portalını veya bir Azure depolama aracını kullanın.

Bir görüntü dosyasını okumaya çalışıyorsanız, görüntü dosyaları için boyut, piksel sayısı gibi gereksinimleri karşıladığından emin olun. Daha fazla bilgi için bkz. görüntüleri Içeri aktarma.

Özel durum Iletileri
Dosya açılamıyor.
Dosya açılırken hata oluştu: {0} .

Hata 0049

Bir dosya ayrıştırılmaya mümkün olmadığı durumlarda özel durum oluşur.

Azure Machine Learning bu hata, bir dosyayı ayrıştırmaya mümkün olmadığında oluşur. Verileri Içeri aktarma modülünde seçilen dosya biçimi dosyanın gerçek biçimiyle eşleşmezse veya dosya tanınmayan bir karakter içeriyorsa bu hatayı alırsınız.

Çözüm: Modülü yeniden ziyaret edin ve dosyanın biçimiyle eşleşmiyorsa dosya biçimi seçimini düzeltin. Mümkünse, geçersiz karakter içermemesi için dosyayı inceler.

Özel Durum İletileri
Dosya ayrıştırılamadı.
Dosyayı ayrıştırırken hata oluştu: {0} .

Hata 0050

Giriş ve çıkış dosyaları aynı olduğunda özel durum oluşur.

Çözüm: Bu hata Azure Machine Learning kullanım dışıdır ve kullanım dışıdır.

Özel Durum İletileri
Giriş ve çıkış için belirtilen dosyalar aynı olamaz.

Hata 0051

Birkaç çıkış dosyası aynı olduğunda özel durum oluşur.

Çözüm: Bu hata Azure Machine Learning kullanım dışıdır ve kullanım dışıdır.

Özel Durum İletileri
Çıkışlar için belirtilen dosyalar aynı olamaz.

Hata 0052

Azure depolama hesabı anahtarı yanlış belirtilirse özel durum oluşur.

Azure depolama Azure Machine Learning erişmek için kullanılan anahtar yanlışsa bu hata oluşur. Örneğin, azure depolama anahtarı kopyalanır ve yapıştırılırken kesilirse veya yanlış anahtar kullanılırsa bu hatayı alabilirsiniz.

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

Çözüm: Modülü yeniden ziyaret edin ve Azure depolama anahtarının hesap için doğru olduğunu doğrulayın; Gerekirse anahtarı klasik Azure portalında yeniden kopyalayın.

Özel durum Iletileri
Azure depolama hesabı anahtarı yanlış.

Hata 0053

Özel durum, Matchbox önerileri için Kullanıcı özelliği veya öğe olmadığında oluşur.

Azure Machine Learning bu hata, bir özellik vektörü bulunamadığında üretilir.

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

Özel durum Iletileri
Kullanıcı özellikleri veya/ve öğeleri gereklidir ancak sağlanmadı.

Hata 0054

İşlemin tamamlanabilmesi için sütunda çok az sayıda farklı değer varsa özel durum oluşur.

Çözüm: Azure Machine Learning bu hata kullanılmıyor ve kullanım dışı bırakılacak.

Özel durum Iletileri
Veri, işlemi gerçekleştirmek için belirtilen sütunda çok az sayıda farklı değere sahip.
Veri, işlemi gerçekleştirmek için belirtilen sütunda çok az sayıda farklı değere sahip. Gerekli en az {0} öğe öğesi.
Verilerin işlemi tamamlaması için "" sütununda çok az sayıda farklı değer vardır {1} . Gerekli en az {0} öğe öğesi.

Hata 0055

Kullanım dışı bir modül çağrılırken özel durum oluştu.

Azure Machine Learning bu hata, kullanım dışı bırakılmış bir modül çağırmaya çalışırsanız görüntülenir.

Çözüm:

Özel Durum İletileri
Kullanım dışı modülüne erişme.
Modül {0} " " kullanım dışıdır.

Hata 0056

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

Bu Azure Machine Learning, sütunun belirli bir veri türünde olması gereken bir işlem için sütun seçerken oluşur.

Sütun doğru veri türüne sahipse de bu hataya neden olabilir ancak kullanmakta olduğunuz modülde sütunun özellik, etiket veya kategorik sütun olarak işaretlenmiş olması gerekir.

Örneğin, Gösterge Değerlerine Dönüştürme modülü sütunların kategorik olması gerektirir ve bir özellik sütunu veya etiket sütunu seçmenizde bu hatayı oluşturur.

Çözüm:

  1. Seçili olan sütunların veri türünü gözden geçirme.

  2. Seçilen sütunların kategorik, etiket veya özellik sütunları olup olmadığını tespit.

  3. Veri türü veya sütun kullanımına yönelik belirli gereksinimler olup olmadığını belirlemek için sütun seçiminde yer alan modüle yönelik yardım konusunu gözden geçirebilirsiniz.

  4. Bu işlem süresince sütun türünü değiştirmek için Meta Verileri Düzenle'yi kullanın. Aşağı akış işlemleri için gerekirse, Meta Verileri Düzenle'nin başka bir örneğini kullanarak sütun türünü özgün değerine geri değiştirebilirsiniz.

Özel Durum İletileri
Seçilen bir veya daha fazla sütun izin verilen bir kategoride değil.
" " adına {0} sahip sütun izin verilen bir kategoride değil.

Hata 0057

Zaten var olan bir dosya veya blob oluşturma girişimi sırasında özel durum oluşur.

Bir denemenin sonuçlarını Azure blob depolamaya kaydetmek için Verileri Dışarı Aktar modülünü veya başka bir modülü Azure Machine Learning ancak zaten var olan bir dosya veya blobu oluşturma girişiminde bulunursanız bu özel durum oluşur.

Çözüm:

Bu hatayı yalnızca daha önce Azure blob depolama yazma modu özelliğini Hata olarak ayarladıysanız alırsınız. Tasarıma göre, zaten var olan bir bloba veri kümesi yazmayı denerseniz, bu modül bir hata oluşturur.

  • Modül özelliklerini açın ve Azure Blob depolama yazma modu özelliğini üzerine yazacak şekilde değiştirin.
  • Alternatif olarak, farklı bir hedef Blobun veya dosyanın adını yazabilir ve mevcut olmayan bir blob belirtdiğinizden emin olabilirsiniz.
Özel durum Iletileri
Dosya veya blob zaten var.
"" Dosyası veya blobu {0} zaten var.

Hata 0058

Veri kümesi beklenen etiket sütununu içermiyorsa Azure Machine Learning bu hata oluşur.

Bu özel durum, belirtilen etiket sütunu öğrenner tarafından beklenen veriler veya veri türüyle eşleşmiyorsa ya da yanlış değerlere sahip olduğunda da gerçekleşebilir. Örneğin, bu özel durum, ikili bir sınıflandırıcının eğitiminde gerçek değerli bir etiket sütunu kullanılırken üretilir.

Çözüm: Çözüm, kullanmakta olduğunuz öğrenme veya eğitime ve veri kümenizdeki sütunların veri türleri üzerinde değişir. İlk olarak, Machine Learning algoritmasının veya eğitim modülünün gereksinimlerini doğrulayın.

Giriş veri kümesini yeniden ziyaret edin. Etiket olarak değerlendirildiğini düşündüğünüz sütunun oluşturmakta olduğunuz model için doğru veri türüne sahip olduğunu doğrulayın.

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

Gerekirse, verileri Düzenle modülünü ekleyin ve etiket sütununun etiket olarak işaretlendiğinden emin olun.

Özel durum Iletileri
Etiket sütunu beklenen şekilde değil
Etiket sütunu, "" içinde beklenen şekilde değil {0} .
"" Etiket sütunu "" {0} içinde beklenmiyor {1} .

Hata 0059

Bir sütun seçicide belirtilen sütun dizini ayrıştırılemezsa özel durum oluşur.

Sütun Seçici Azure Machine Learning belirtilen bir sütun dizini ayrıştırılemezsa bu hata oluşur. Sütun dizini ayrıştırılamayacak geçersiz bir biçimde olduğunda bu hatayı alırsınız.

Çözüm: Geçerli bir dizin değeri kullanmak için sütun dizinini değiştirme.

Özel Durum İletileri
Belirtilen bir veya daha fazla sütun dizini veya dizin aralığı ayrıştırılemedi.
Sütun dizini veya {0} aralığı " " ayrıştırılemedi.

Hata 0060

Özel durum, bir sütun seçicide aralık dışında bir sütun aralığı belirtiliyorsa oluşur.

Bu Azure Machine Learning, Sütun Seçici'de aralık dışında bir sütun aralığı belirtilirse oluşur. Sütun seçicide sütun aralığı veri kümesinde sütunlara karşılık yoksa bu hatayı alırsınız.

Çözüm: Sütun seçicide sütun aralığını, veri kümesinde sütunlara karşılık gelen şekilde değiştirme.

Özel Durum İletileri
Geçersiz veya aralık dışında sütun dizin aralığı belirtildi.
Sütun aralığı " {0} " geçersiz veya aralık dışında.

Hata 0061

Tablodan farklı sayıda sütuna sahip bir DataTable'a satır eklemeye çalışırken özel durum oluşur.

Bu Azure Machine Learning, veri kümesinden farklı sayıda sütuna sahip bir veri kümesine satır eklemeye çalışırken oluşur. Veri kümesine eklenen satır giriş veri kümesinden farklı sayıda sütuna sahipse bu hatayı alırsınız. Sütun sayısı farklıysa satır veri kümesine eklenemiyor.

Çözüm: Girdi 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 Iletileri
Tüm tablolar aynı sayıda sütuna sahip olmalıdır.

Hata 0062

Farklı Learner türleriyle iki modeli karşılaştırmaya çalışırken özel durum oluşur.

Azure Machine Learning içindeki bu hata, iki farklı puanlı veri kümesi için değerlendirme ölçümleri karşılaştırılabir zaman üretilemez. Bu durumda, iki puanlanmış veri kümesini oluşturmak için kullanılan modellerin verimliliğini karşılaştırmak mümkün değildir.

Çözüm: Puanlanmış sonuçların aynı türde makine öğrenimi modeli (ikili sınıflandırma, regresyon, çok sınıf sınıflandırması, öneri, kümeleme, anomali algılama vb.) tarafından üretildiğini doğrulayın. Karşılaştırmanız gereken tüm modeller aynı Learner türüne sahip olmalıdır.

Özel durum Iletileri
Tüm modeller aynı Learner türüne sahip olmalıdır.

Hata 0063

Bu özel durum, R betiği değerlendirmesi hata vererek başarısız olduğunda tetiklenir.

Bu hata, Azure Machine Learning r dil modüllerinden birinde bir r betiği belirttiğinizde ve r kodu iç sözdizimi hataları içerdiğinde oluşur. Ayrıca, R betiğine yanlış girişler sağlarsanız da bu durum oluşabilir.

Hata, komut dosyasının çalışma alanında yürütülebilmesi için çok büyük olması halinde de oluşabilir. Execute R betik modülünün en büyük komut dosyası boyutu 1.000 satır veya 32 KB çalışma alanı, hangisi daha küçüktür.

Çözüm:

  1. Azure Machine Learning Studio (klasik) içinde, hataya sahip olan modüle sağ tıklayın ve günlüğü görüntüle' yi seçin.
  2. Modülün yığın izlemesini içeren standart hata günlüğünü inceleyin.
    • [ModuleOutput] ile başlayan satırlar R 'den çıktıyı gösterir.
    • Uyarı olarak işaretlenen R iletileri genellikle denemenin başarısız olmasına neden olmaz.
  3. Betik sorunlarını çözme.
    • R söz dizimi hatalarını denetleyin. Tanımlanan ancak hiçbir zaman doldurulan değişkenleri denetleme.
    • Giriş verilerini ve betiği gözden geçirerek betikte yer alan verilerden veya değişkenlerden herhangi biri tarafından desteklenen karakterlerin kullan Azure Machine Learning.
    • Tüm paket bağımlılıkları yüklü olup olmadığını kontrol edin.
    • Kodunuzun varsayılan olarak yüklenmemiş gerekli kitaplıkları yükp yüklememiş olduğunu kontrol edin.
    • Gerekli paketlerin doğru sürüm olup olmadığını denetleyin.
    • Çıkışını almak istediğiniz tüm veri kümelerini bir veri çerçevesine dönüştür olduğundan emin olun.
  4. Denemeyi yeniden kuyruza at.

Not

Bu konular, kullanabileceğiniz R kodu örneklerinin yanı sıra Cortana Intelligence Gallery'de R betiği kullanan denemelerin bağlantılarını içerir.

Özel Durum İletileri
R betiği değerlendirme sırasında hata oluştu.
R betiği değerlendirmesi sırasında şu hata oluştu: ---------- R ---------- ----------- R betiğinden hata sonu iletisi {0} -----------
R betiği " " değerlendirmesi sırasında şu hata oluştu: ---------- R ---------- ----------- R betiğinden hata iletisi {1} {0} başlangıcı -----------

Hata 0064

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

Azure depolama Azure Machine Learning veya depolama anahtarı yanlış belirtilirse bu hata oluşur. Depolama hesabı için yanlış hesap adı veya parola girerseniz bu hatayı alırsınız. Hesap adını veya parolayı el ile girdiğinizde bu durum oluşabilir. Hesap silinmişse da bu durum oluşabilir.

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

Özel durum Iletileri
Azure depolama hesabı adı veya depolama anahtarı yanlış.
Hesap adı için Azure depolama hesabı adı " {0} " veya depolama anahtarı yanlış.

Hata 0065

Azure Blob adı yanlış belirtilmişse özel durum oluşur.

Azure Blob adı yanlış belirtilmişse Azure Machine Learning bu hata oluşur. Şu durumlarda hata alırsınız:

  • Blob belirtilen kapsayıcıda bulunamıyor.

  • Sayı modülleriyle öğrenenden birindeki çıkış için belirtilen Blobun tam adı 512 karakterden fazla.

  • Biçim Excel veya kodlama ile CSV olduğunda, Içeri aktarma verileri isteği içindeki kaynak olarak yalnızca kapsayıcı belirtildi; bir kapsayıcı içindeki tüm Blobların içeriklerinin içeriğine bu formatlarda izin verilmez.

  • SAS URI 'SI geçerli bir Blobun adını içermiyor.

Çözüm: Özel durumu oluşturan modülün yeniden ziyaret edin. Belirtilen Blobun depolama hesabındaki kapsayıcıda var olduğunu ve bu izinlerin blobu görmenizi sağlar. Kodlama biçimleriyle Excel veya CSV kullanıyorsanız, girişin ContainerName/filename biçiminde olduğunu doğrulayın. SAS URI 'sinin geçerli bir Blobun adını içerdiğini doğrulayın.

Özel durum Iletileri
Azure Depolama Blobu yanlış.
Azure depolama blobu adı {0} " " yanlış

Hata 0066

Bir kaynak Azure Blob'a yüklenene kadar özel durum oluşur.

Bu hata Azure Machine Learning Azure Blob'a kaynak yüklenemedi ise oluşur. Train Vowpal Wabbit 7-4 Model(7-4 Modeli Eğit) modeli kaydetmeye çalışırken hatayla karşılaşırsa veya modeli eğiterek oluşturulan karma değerle karşılaşırsanız bu iletiyi alırsınız. Her ikisi de giriş dosyasını içeren hesapla aynı Azure depolama hesabına kaydedilir.

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

Özel Durum İletileri
Kaynak Azure depolama alanına yüklenedi.
" " {0} dosyası Olarak Azure Depolama'ya yüklenmedildi. {1}

Hata 0067

Bir veri kümesi beklenenden farklı sayıda sütuna sahipse özel durum oluşur.

Veri kümesinde Azure Machine Learning veri kümesinde beklenenden farklı sayıda sütun varsa bu hata oluşur. Veri kümesinde sütun sayısı, modülün yürütme sırasında beklediğiniz sütun sayısından farklı olduğunda bu hatayı alırsınız.

Çözüm: Giriş veri kümelerini veya parametreleri değiştirme.

Özel Durum İletileri
Veritable'da beklenmeyen sütun sayısı.
Beklenen " {0} " sütunları ama bunun yerine " " sütunları {1} bulundu.

Hata 0068

Belirtilen Hive betiği doğru değilse özel durum oluşur.

Azure Machine Learning içindeki bu hata, Hive QL betiğinde sözdizimi hataları varsa veya Hive yorumlayıcı sorgu veya betiği yürütürken bir hatayla karşılaştığında oluşur.

Çözüm:

Hive 'den alınan hata iletisi normalde hata günlüğünde geri bildirilir, böylece belirli hataya göre işlem gerçekleştirebilirsiniz.

  • Modülü açın ve hataları Sorgula ' yı inceleyin.
  • Sorgunun, Hadoop kümenizin Hive konsolunda oturum açarak ve sorguyu çalıştırarak Azure Machine Learning dışında düzgün çalıştığını doğrulayın.
  • Yürütülebilir deyimleri ve açıklamaları tek bir satırda karıştırın tersine, Hive betiğinizdeki açıklamaları ayrı bir satıra yerleştirmeyi deneyin.

Kaynaklar

Makine öğrenimi için Hive sorgularıyla ilgili yardım için aşağıdaki makalelere bakın:

Özel durum Iletileri
Hive betiği yanlış.
Hive betiği {0} doğru değil.

Hata 0069

Belirtilen SQL betiği doğru değilse özel durum oluşur.

Bu Azure Machine Learning hatası, belirtilen SQL betiği söz dizimi sorunları içeriyorsa veya betikte belirtilen sütunlar veya tablo geçerli değilse oluşur.

SQL Altyapısı sorgu veya betiği yürütürken herhangi bir hatayla karşılaştığında bu hatayı alırsınız. SQL hata iletisi normalde hata günlüğünde geri bildirilir, böylece belirli hataya göre işlem gerçekleştirebilirsiniz.

Çözüm: Modülü yeniden ziyaret edin ve hatalar için SQL sorgusunu inceleyin.

Sorgunun, doğrudan veritabanı sunucusunda oturum açarak ve sorguyu çalıştırarak Azure ML dışında düzgün çalıştığını doğrulayın.

Modül özel durumu tarafından bildirilen bir SQL tarafından oluşturulan ileti varsa, bildirilen hataya göre eyleme geçebilirsiniz. Örneğin, hata iletileri bazen olası hatayla ilgili belirli rehberlik içerir:

  • Böyle bir sütun veya eksik veritabanı yok. Bu, sütun adını yanlış yazmış olabileceğiniz gösterir. Sütun adının doğru olduğundan eminsanız, sütun tanımlayıcısını içine almak için köşeli ayraç veya tırnak işareti kullanmayı deneyin.
  • değerinin yakınında, belirtilen <SQL keyword> anahtar sözcük öncesinde söz dizimi hatası olabileceğini belirten SQL mantığı hatası
Özel Durum İletileri
SQL betiği yanlış.
SQL sorgusu {0} " " doğru değil.
SQL sorgusu {0} " " doğru değil: {1}

Hata 0070

Mevcut olmayan Azure tablosuna erişmeye çalışırken özel durum oluşur.

Bu Azure Machine Learning, mevcut olmayan bir Azure tablosuna erişmeye çalışırken oluşur. Azure Depolama'da Azure Tablo Depolama'da okuma veya yazma sırasında mevcut olmayan bir tablo belirtirken bu hatayı alırsınız. İstenen tablonun adını yanlış yazmanız veya hedef adla depolama türü arasında bir eşleşmezlik olması bu durumla karşı ilgili olabilir. Örneğin, bir tablodan okumayı amaçladı ama bunun yerine blob adını girdin.

Çözüm: Tablo adının doğru olduğunu doğrulamak için modülü yeniden ziyaret edin.

Özel Durum İletileri
Azure tablosu yok.
Azure tablosu {0} " " yok.

Hata 0071

Girilen kimlik bilgileri yanlışsa özel durum oluşur.

Azure Machine Learning içindeki bu hata, belirtilen kimlik bilgileri yanlışsa oluşur.

Modül bir HDInsight kümesine bağlanamıyorsa da bu hatayı alabilirsiniz.

Çözüm: Modülün girdilerini gözden geçirin ve hesap adını ve parolayı doğrulayın.

Hataya neden olabilecek aşağıdaki sorunları kontrol edin:

  • Veri kümesinin şeması hedef DataTable 'ın şemasıyla eşleşmiyor.

  • Sütun adları eksik veya yanlış yazılmış

  • Geçersiz karakterleri olan sütun adlarına sahip bir tabloya yazıyor. Genellikle bu tür sütun adlarını köşeli ayraç içine alabilirsiniz, ancak bu işe çalışmazsa sütun adlarını yalnızca harfler ve alt çizgiler (_) kullanacak şekilde düzenleyin

  • Yazmaya çalıştığınız dizeler tek tırnak işaretleri içeriyor

Bir HDInsight kümesine bağlanmaya çalışıyorsanız, hedef kümeye sağlanan kimlik bilgileriyle erişilebildiğini doğrulayın.

Özel durum Iletileri
Yanlış kimlik bilgileri geçirildi.
Yanlış Kullanıcı adı " {0} " veya parola geçti

Hata 0072

Bağlantı zaman aşımı durumunda özel durum oluşur.

Azure Machine Learning bir bağlantı zaman aşımına uğrarsa bu hata oluşur. Bu hatayı, yavaş internet bağlantısı gibi veri kaynağı veya hedefle ilgili bağlantı sorunları varsa ya da veri kümesi büyükse ve/veya veride okunan SQL sorgusu karmaşık işlem yaptığında alırsınız.

Çözüm: Azure Storage veya Internet ile yavaş bağlantılarla ilgili şu anda sorun olup olmadığını belirleme.

Özel durum Iletileri
Bağlantı zaman aşımı oluştu.

Hata 0073

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

Bu hata Azure Machine Learning başka bir türe dönüştürülenin mümkün olmadığını gösterir. Modül belirli bir tür gerektiriyorsa ve sütunu yeni türe dönüştürmek mümkün değilse bu hatayı alırsınız.

Çözüm: Giriş veri kümesi, sütunun iç özel durumuna göre dönüştürülmesi için değiştirme.

Özel Durum İletileri
Sütun dönüştürülemedi.
Sütununa {0} dönüştürülemedi.

Hata 0074

Meta Verileri Düzenle, seyrek bir sütunu kategorik sütuna dönüştürmeye çalıştığında özel durum oluşur.

Meta Verileri Azure Machine Learning seyrek bir sütunu kategorik sütuna dönüştürmeye çalıştığında bu hata oluşur. Kategorik hale dönüştür seçeneğiyle seyrek sütunları kategorik sütunlara dönüştürmeye çalışırken bu hatayı alırsınız. Azure Machine Learning seyrek kategorik dizileri desteklemez, bu nedenle modül başarısız olur.

Çözüm: İlk olarak Veri Kümesine Dönüştür'üni kullanarak sütunu yoğun hale dönüştür veya sütunu kategorik olarak dönüştürme.

Özel Durum İletileri
Seyrek sütunlar Kategorik'e dönüştürülamaz.

Hata 0075

Özel durum, bir veri kümesi ölç edilirken geçersiz bir binning işlevi kullanılırken oluşur.

Bu hata Azure Machine Learning desteklenmeyen bir yöntem kullanarak verileri bindirmeye çalışırken veya parametre birleşimleri geçersiz olduğunda oluşur.

Çözüm:

Bu olay için hata işleme, daha fazla Azure Machine Learning izin verilen önceki bir sürümde tanıtıldı. Şu anda tüm binme yöntemleri, bir açılan listeden seçim üzerine dayalıdır, bu nedenle Teknik olarak bu hatayı almak için artık mümkün olmayacaktır.

Bu hatayı Grup verilerini depo gözleri modülüne kullanırken alırsanız, veri türleri, parametre ayarları ve tam hata iletisi sağlayan Azure Machine Learning forumundakisorunu bildirmeyi göz önünde bulundurun.

Özel durum Iletileri
Geçersiz binme işlevi kullanıldı.

Hata 0077

Bilinmeyen BLOB dosya yazma modu geçirildiğinde özel durum oluşur.

Bir BLOB dosya hedefi veya kaynağı için belirtimlerde geçersiz bir bağımsız değişken geçirilmediğinde Azure Machine Learning bu hata oluşur.

Çözüm: Azure Blob depolama alanına ve bu sunucudan veri içeri ve dışarı aktarılan neredeyse tüm modüllerde, 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 olacaktır.

Özel durum Iletileri
Desteklenmeyen blob yazma modu.
Desteklenmeyen blob yazma modu: {0} .

Hata 0078

Içeri aktarma verileri için http seçeneği yeniden yönlendirmeyi belirten bir 3xx durum kodu aldığında özel durum oluşur.

Azure Machine Learning bu hata, Içeri aktarma verileri için http seçeneği yeniden yönlendirmeyi belirten bir 3xx (301, 302, 304, vb.) durum kodu aldığında oluşur. Tarayıcıyı başka bir sayfaya yönlendiren bir HTTP kaynağına bağlanmaya çalışırsanız bu hatayı alırsınız. Güvenlik nedenleriyle, Web sitelerinin Azure Machine Learning için veri kaynakları olarak yeniden yönlendirilmesi izin verilmez.

Çözüm: Web sitesi güvenilir bir Web sitesi ise, yeniden yönlendirilen URL 'YI doğrudan girin.

Özel durum Iletileri
Http yeniden yönlendirmesine izin verilmiyor

Hata 0079

Azure depolama kapsayıcısı adı yanlış belirtilirse özel durum oluşur.

Bu hata Azure Machine Learning Azure depolama kapsayıcısı adı yanlış belirtilirse oluşur. Kapsayıcıya yazarken kapsayıcıyla başlayan blob yolu seçeneğini kullanarak hem kapsayıcı hem de blob (dosya) adını belirtemediyseniz bu hatayı Azure Blob Depolama.

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

Özel Durum İletileri
Azure depolama kapsayıcısı adı yanlış.
Azure depolama kapsayıcısı adı {0} " " yanlış; kapsayıcı/blob biçiminde bir kapsayıcı adı bekleniyordu.

Hata 0080

Modül tarafından tüm değerleri eksik olan sütuna izin verilmiyorsa özel durum oluşur.

Modülde Azure Machine Learning bir veya daha fazla sütun tüm eksik değerleri içerdiğinde bu hata oluşur. Örneğin, bir modül her sütun için toplam istatistikleri hesapıyorsa, veri içeren bir sütun üzerinde çalışamaz. Bu gibi durumlarda modül yürütmesi bu özel durumla durdurulr.

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

Özel Durum İletileri
Tüm değerlerin eksik olduğu sütunlara izin verilmez.
Sütunda {0} tüm değerler eksik.

Hata 0081

En az bir seyrek özellik sütunu içeren giriş veri kümesinde özellik sütunlarının sayısına eşit olacak boyut sayısına eşitse PCA modülünde özel durum oluşur.

Aşağıdaki koşullar Azure Machine Learning bu hataya neden olur: (a) giriş veri kümesinde en az bir seyrek sütun vardır ve (b) istenen son boyut sayısı giriş boyutlarının sayısıyla aynıdır.

Çözüm: Çıkışdaki boyut sayısını, girişte bulunan boyut sayısından az olacak şekilde azaltmayı göz önünde bulundurun. Bu, PCA uygulamalarında tipik bir davranıştır. Daha fazla bilgi için bkz. sorumlu bileşen analizi.

Özel durum Iletileri
Seyrek Özellik sütunları içeren veri kümesi için, azaltma için boyut sayısı Özellik sütunlarının sayısından az olmalıdır.

Hata 0082

Bir modelin serisi başarıyla kaldırıldığında özel durum oluşur.

Azure Machine Learning bu hata, kaydedilmiş bir makine öğrenimi modeli veya dönüştürmesi, bir son değişikliğin sonucu olarak Azure Machine Learning çalışma zamanının daha yeni bir sürümü tarafından yüklenemediğinde oluşur.

Çözüm: Modeli veya dönüştürmeyi üreten eğitim denemesinin yeniden çalıştırılması ve modelin veya dönüştürmenin yeniden kaydedilmesi gerekir.

Özel durum Iletileri
Büyük olasılıkla eski bir serileştirme biçimiyle serileştirildiği için model seri durumdan çıkarılamadı. Modeli yeniden eğitme ve yeniden kaydedin.

Hata 0083

Eğitim için kullanılan veri kümesi, Learner somut türü için kullanılmıyorsa özel durum oluşur.

Azure Machine Learning bu hata, veri kümesi eğitilen öğrenici ile uyumsuz olduğunda üretilir. Örneğin, veri kümesi her satırda en az bir eksik değer içerebilir ve sonuç olarak veri kümesinin tamamı eğitim sırasında atlanır. Diğer durumlarda, anomali algılama gibi bazı makine öğrenimi algoritmaları etiketlerin mevcut olmasını beklemez ve veri kümesinde Etiketler mevcutsa bu özel durumu oluşturabilir.

Çözüm: Giriş veri kümesi için gereksinimleri denetlemek için kullanılan öğrenimlerin belgelerine başvurun. Tüm gerekli sütunların mevcut olduğunu görmek için sütunları inceleyin.

Özel durum Iletileri
Eğitim için kullanılan veri kümesi geçersiz.
{0} eğitim için geçersiz veriler içeriyor.
{0} eğitim için geçersiz veriler içeriyor. Learner type: {1} .

Hata 0084

R Betiğinden üretilen puanlar değerlendiril olduğunda özel durum oluşur. Bu şu anda desteklenmiyor.

Bu hata Azure Machine Learning, bir modeli puan içeren bir R betiğinden çıkışla değerlendirmek için modüllerden birini kullanmayı denersiniz.

Çözüm:

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

Hata 0085

Betik değerlendirmesi bir hatayla başarısız olduğunda özel durum oluşur.

Bu hata Azure Machine Learning söz dizimi hataları içeren özel betik çalıştırıyorsanız oluşur.

Çözüm: Kodunuzu bir dış düzenleyicide gözden geçirme ve hataları denetleme.

Özel Durum İletileri
Betiğin değerlendirilmesi sırasında hata oluştu.
Betik değerlendirmesi sırasında aşağıdaki hata oluştu, daha fazla bilgi için çıkış günlüğünü görüntüle: ---------- Yorumlayıcıdan hata iletisi başlangıcı ---------- ---------- Yorumlayıcıdan hata sonu {0} {1} iletisi {0} ----------

Hata 0086

Bir sayma dönüştürmesi geçersiz olduğunda özel durum oluşur.

Bu Azure Machine Learning, bir sayı tablosuna göre bir dönüştürmeyi seçtiğiniz ancak seçilen dönüştürmenin geçerli verilerle veya yeni sayı tablosuyla uyumsuz olduğu zaman oluşur.

Çözüm: Modül, dönüştürmeyi iki farklı biçimde oluşturan sayıları ve kuralları kaydetmeyi destekler. Sayım tablolarını birleştiriyorsanız, birleştirmek istediğiniz her iki tablonun de aynı biçimde kullanılacağını doğrulayın.

Genel olarak, sayı tabanlı bir dönüşüm yalnızca dönüştürmenin ilk olarak oluşturulduğu veri kümesiyle aynı şemaya sahip olan veri kümelerine uygulanabilir.

Genel bilgiler için bkz. sayımlar Ile öğrenme. Count tabanlı özellikler oluşturma ve birleştirme için özel gereksinimler için, aşağıdaki konulara bakın:

Özel durum Iletileri
Geçersiz sayım dönüşümü belirtildi.
' ' Giriş bağlantı noktasındaki sayım dönüştürmesi {0} geçersiz.
' ' Giriş bağlantı noktasındaki sayım dönüştürmesi, {0} ' ' giriş bağlantı noktasındaki sayım dönüşümüyle birleştirilemez {1} . Eşleşenleri saymak için kullanılan meta verileri doğrulamak için işaretleyin.

Hata 0087

Count modülleri ile öğrenme için geçersiz bir sayma tablosu türü belirtildiğinde özel durum oluşur.

Azure Machine Learning içindeki bu hata, var olan bir Count tablosunu içeri aktarmaya çalıştığınızda oluşur, ancak tablo geçerli verilerle veya yeni sayım tablosu ile uyumsuzdur.

Çözüm: Dönüştürmeyi oluşturan sayıları ve kuralları kaydetmek için farklı biçimler vardır. Count tablolarını birleştiriyorsanız, her ikisinin de aynı biçimi kullandığınızı doğrulayın.

Genellikle, bir sayma tabanlı dönüşüm yalnızca dönüştürmenin ilk olarak oluşturulduğu veri kümesiyle aynı şemaya sahip olan veri kümelerine uygulanabilir.

Genel bilgiler için bkz. sayımlar Ile öğrenme. Sayı tabanlı özellikler oluşturmaya ve birleştirmeye özgü gereksinimler için şu konulara bakın:

Hata 0088

Sayım modülleriyle öğrenmek için geçersiz bir sayım türü belirtilirse özel durum oluşur.

Bu hata Azure Machine Learning, sayı tabanlı beceri kazandırma için desteklenenden farklı bir sayma yöntemi kullanmaya çalışma sırasında oluşur.

Çözüm: Genel olarak, bir açılan listeden sayma yöntemleri seçilir, bu nedenle bu hatayı görmeyebilirsiniz.

Genel bilgi için bkz. Sayımlarla Öğrenme. Sayı tabanlı özellikler oluşturmaya ve birleştirmeye özgü gereksinimler için şu konulara bakın:

Özel Durum İletileri
Geçersiz sayım türü belirtildi.
Belirtilen sayma türü {0} ' ' geçerli bir sayma türü değildir.

Hata 0089

Belirtilen sınıf sayısı, sayma için kullanılan bir veri kümesinde gerçek sınıf sayısından küçük olduğunda özel durum oluşur.

Bu Azure Machine Learning, sayı tablosu oluştururken oluşur ve etiket sütunu modül parametrelerinde belirttiğinizden farklı sayıda sınıf içerir.

Çözüm: Veri kümenizi kontrol edin ve etiket sütununda tam olarak kaç ayrı değer (olası sınıf) olduğunu bulun. Sayı tablosu oluşturmak için en azından bu sınıf sayısını belirtmeniz gerekir.

Sayı tablosu kullanılabilir sınıfların sayısını otomatik olarak belirleye değildir.

Sayı tablosu oluşturduktan sonra, etiket sütunundaki gerçek sınıf sayısından küçük olan 0 veya herhangi bir sayı belirtemezseniz.

Özel durum Iletileri
Sınıfların sayısı yanlış. Parametre bölmesinde belirttiğiniz sınıf sayısının etiket sütunundaki sınıf sayısından büyük veya ona eşit olduğundan emin olun.
Belirtilen sınıf sayısı ' {0} ', {1} sayımı için kullanılan veri kümesindeki ' ' Etiket değerinden büyük değil. Parametre bölmesinde belirttiğiniz sınıf sayısının etiket sütunundaki sınıf sayısından büyük veya ona eşit olduğundan emin olun.

Hata 0090

Hive tablo oluşturma başarısız olduğunda özel durum oluşur.

Azure Machine Learning içindeki bu hata, verileri dışarı aktarma veya bir HDInsight kümesine kaydetmek için başka bir seçenek kullandığınızda oluşur ve belirtilen Hive tablosu oluşturulenemez.

Çözüm: Kümeyle ilişkili Azure depolama hesabı adını denetleyin ve modül özelliklerinde aynı hesabı kullandığınızdan emin olun.

Özel durum Iletileri
Hive tablosu oluşturulamadı. Bir HDInsight kümesi için, kümeyle ilişkili Azure depolama hesabı adının modül parametresi aracılığıyla geçirilen ile aynı olduğundan emin olun.
"" Hive tablosu {0} oluşturulamadı. Bir HDInsight kümesi için, kümeyle ilişkili Azure depolama hesabı adının modül parametresi aracılığıyla geçirilen ile aynı olduğundan emin olun.
"" Hive tablosu {0} oluşturulamadı. HDInsight kümesi için, kümeyle ilişkili Azure depolama hesabı adının "" olduğundan emin olun {1} .

Hata 0100

Özel bir modül için desteklenmeyen bir dil belirtildiğinde özel durum oluşur.

Bu Azure Machine Learning hata, özel bir modül oluşturulurken ve özel bir modül XML tanım dosyasındaki Language öğesinin Name özelliğinin geçersiz bir değere sahip olduğu durumlarda oluşur. Şu anda bu özellik için geçerli olan tek değer R . Örnek:

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

Çözüm: Özel modül xml tanım dosyasındaki Language öğesinin name özelliğinin olarak ayar olduğunu R doğrulayın. Dosyayı kaydedin, özel modül zip paketini güncelleştirin ve özel modülü yeniden eklemeye deneyin.

Özel Durum İletileri
Desteklenmeyen özel modül dili belirtildi

Hata 0101

Tüm bağlantı noktası ve parametre kimlikleri benzersiz olmalıdır.

Özel modülde Azure Machine Learning bir veya daha fazla bağlantı noktası veya parametreye özel modül XML tanım dosyasında aynı kimlik değeri atandığı zaman bu hata oluşur.

Çözüm: Tüm bağlantı noktaları ve parametreler genelindeki kimlik değerlerinin benzersiz olduğunu kontrol edin. xml dosyasını kaydedin, özel modül zip paketini güncelleştirin ve özel modülü yeniden eklemeye deneyin.

Özel Durum İletileri
Bir modülün tüm bağlantı noktası ve parametre kimlikleri benzersiz olmalıdır
' {0} modülünde yinelenen bağlantı noktası/bağımsız değişken kimlikleri var. Tüm bağlantı noktası/bağımsız değişken kimlikleri bir modül için benzersiz olmalıdır.

Hata 0102

Zip dosyası ayıklanamay olduğunda atlanır.

.zip Azure Machine Learning paketi içeri aktarıyorsanız ama paket bir zip dosyası değil veya dosya desteklenen bir zip biçimi kullanmazsa bu hata oluşur.

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

Veri kümelerini sıkıştırılmış biçimde içeri aktarıyorsanız bu hatayı alırsanız, içerdiği tüm dosyaların desteklenen dosya biçimlerinden birini kullanın ve Unicode biçiminde olduğunu doğrulayın. Daha fazla bilgi için bkz. Sıkıştırılmış Veri Kümelerini Açma.

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

Özel durum Iletileri
Verilen ZIP dosyası doğru biçimde değil

Hata 0103

Bir ZIP dosyası herhangi bir. xml dosyası içermiyorsa oluşturulur

Azure Machine Learning içindeki bu hata, özel modül ZIP paketi herhangi bir modül tanımı (. xml) dosyası içermiyorsa oluşur. Bu dosyaların, ZIP paketinin kökünde bulunması gerekir (örneğin, bir alt klasör içinde değil.)

Çözüm: Bir veya daha fazla XML modül tanımı dosyasının, disk sürücünüzdeki geçici bir klasöre çıkartarak ZIP paketinin kök klasöründe olduğunu doğrulayın. Herhangi bir XML dosyası, ZIP paketini ayıkladığınız klasörde doğrudan olmalıdır. ZIP paketini oluştururken, zip paketi içinde, zip üzerinde seçtiğiniz klasörle aynı ada sahip bir alt klasör oluşturacak şekilde ZIP paketini oluştururken emin olun.

Özel durum Iletileri
Verilen ZIP dosyası herhangi bir modül tanım dosyası içermiyor (. xml dosyası)

Hata 0104

Modül tanımı dosyası bulunamayan bir betiğe başvurduğunda oluşturulur

Bu Azure Machine Learning hata, özel bir modül XML tanım dosyası, ZIP paketinde bulunmayan Language öğesindeki bir betik dosyasına başvurduğunda oluşur. Betik dosyası yolu, Language öğesinin SourceFile özelliğinde tanımlanmıştır. Kaynak dosyanın yolu, ZIP paketinin köküne göredir (modül XML tanım dosyalarıyla aynı konum). Betik dosyası bir alt klasörce ise, betik dosyasının göreli yolu belirtilmelidir. Örneğin, tüm betikler ZIP paketi içindeki bir myscripts klasöründe depolanıyorsa, Language öğesinin bu yolu aşağıdaki gibi SourceFile özelliğine eklemesi gerekir. Örnek:

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

Çözüm: Özel modül XML tanımının Language öğesindeki SourceFile özelliğinin değerinin doğru olduğundan ve kaynak dosyanın ZIP paketindeki doğru göreli yolda bulunduğundan emin olun.

Özel durum Iletileri
Başvurulan R betik dosyası yok.
Başvurulan R betik {0} dosyası ' ' bulunamadı. Dosyanın göreli yolunun tanımlar konumdan doğru olduğundan emin olun.

Hata 0105

Modül tanım dosyası desteklenmeyen bir parametre türü içerdiğinde bu hata görüntülenir

Özel bir Azure Machine Learning xml tanımı oluşturmanız ve tanımda parametre veya bağımsız değişkenin türü desteklenen bir türle eşleşmezken bu hata oluşur.

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

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

Hata 0106

Modül tanım dosyası desteklenmeyen bir giriş türü tanımladığı zaman oluşur

Özel bir Azure Machine Learning XML tanımında giriş bağlantı noktası türü desteklenen bir türle eşleşmezken bu hata oluşur.

Çözüm: Özel modül XML tanım dosyasındaki bir Input öğesinin type özelliğinin desteklenen bir tür olduğundan emin olun.

Özel Durum İletileri
Desteklenmeyen giriş türü.
Desteklenmeyen giriş türü ' {0} ' belirtilir.

Hata 0107

Modül tanım dosyası desteklenmeyen bir çıkış türü tanımladığı zaman oluşur

Özel bir Azure Machine Learning xml tanımında çıkış bağlantı noktasının türü desteklenen bir türle eşleşmezken bu hata oluşur.

Çözüm: Özel modül XML tanım dosyasındaki bir output öğesinin type özelliğinin desteklenen bir tür olduğundan emin olun.

Özel durum Iletileri
Desteklenmeyen çıkış türü.
Desteklenmeyen çıkış türü ' {0} ' belirtildi.

Hata 0108

Bir modül tanımı dosyası desteklenenden daha fazla giriş veya çıkış bağlantı noktası tanımlıyorsa oluşturulur

Azure Machine Learning bu hata, özel bir modül XML tanımında çok fazla giriş veya çıkış bağlantı noktası tanımlandığında üretilir.

Çözüm: Özel modül XML tanımında tanımlanan maksimum giriş ve çıkış bağlantı noktası sayısının en fazla desteklenen bağlantı noktası sayısını aşmadığından emin olur.

Özel durum Iletileri
Desteklenen giriş veya çıkış bağlantı noktası sayısı aşıldı.
Desteklenen ' {0} ' bağlantı noktası sayısı aşıldı. İzin verilen en fazla ' ' {0} bağlantı noktası sayısı ' {1} '.

Hata 0109

Bir modül tanımı dosyası bir sütun seçiciyi yanlış bir şekilde tanımladığında oluşturulur

Azure Machine Learning bu hata, bir sütun seçici bağımsız değişkeninin sözdizimi özel bir modül XML tanımında hata içerdiğinde üretilir.

Çözüm: Bu hata, bir sütun seçici bağımsız değişkeninin sözdizimi özel bir modül XML tanımında hata içerdiğinde üretilir.

Özel durum Iletileri
Sütun seçici için desteklenmeyen sözdizimi.

Hata 0110

Modül tanımı dosyası mevcut olmayan bir giriş bağlantı noktası KIMLIĞINE başvuruda bulunan bir sütun seçici tanımlıyorsa oluşturulur

ColumnPicker Azure Machine Learning Arg'nin Properties öğesi içindeki portId özelliği giriş bağlantı noktasının kimlik değeriyle eşleşmezse bu hata görüntülenir.

Çözüm: portId özelliğinin, özel modül xml tanımında tanımlanan giriş bağlantı noktasının kimlik değeriyle eş olduğundan emin olun.

Özel Durum İletileri
Sütun seçici, mevcut olmayan bir giriş bağlantı noktası kimliğine başvurur.
Sütun seçici, mevcut olmayan bir giriş bağlantı noktası kimliğine ' ' {0} başvurur.

Hata 0111

Modül tanım dosyası geçersiz bir özellik tanımladığı zaman oluşur

Özel modüldeki Azure Machine Learning, özel modül XML tanımında bir öğeye geçersiz bir özellik atandığı zaman bu hata oluşur.

Çözüm: özelliğinin özel modül öğesi tarafından destek olduğundan emin olun.

Özel Durum İletileri
Özellik tanımı geçersiz.
'' {0} özellik tanımı geçersiz.

Hata 0112

Modül tanım dosyası ayrıştırılamay olduğunda oluşur

Bu hata Azure Machine Learning xml biçiminde özel modül XML tanımının geçerli bir XML dosyası olarak ayrıştır biçimlendirilmiş olması önleyen bir hata olduğunda oluşur.

Çözüm: Her öğenin doğru şekilde açıldığından ve kapatılandan emin olun. XML biçimlendirmesinde hata olmadığını emin olun.

Özel Durum İletileri
Modül tanım dosyası ayrıştırılamadı.
'' modül tanım dosyası {0} ayrıştırılamadı.

Hata 0113

Bir modül tanımı dosyası hatalar içerdiğinde oluşturulur.

Bu Azure Machine Learning hata, özel modül XML tanım dosyası ayrıştırıla, ancak özel modüller tarafından desteklenmeyen öğelerin tanımı gibi hatalar içerdiğinde üretilir.

Çözüm: Özel modül tanımı dosyasının özel modüller tarafından desteklenen öğeleri ve özellikleri tanımladığından emin olun.

Özel durum Iletileri
Modül tanımı dosyası hatalar içeriyor.
Modül tanım dosyası ' {0} ' hatalar içeriyor.
Modül tanım dosyası ' {0} ' hatalar içeriyor. {1}

Hata 0114

Özel bir modül oluşturulamazsa oluşturulur.

Azure Machine Learning içindeki bu hata, özel bir modül oluşturma işlemi başarısız olduğunda üretilir. Özel modül eklenirken bir veya daha fazla özel modülle ilgili hatayla karşılaşıldığında bu durum oluşur. Bu hata iletisi içinde ek hatalar raporlanır.

Çözüm: Bu özel durum iletisi içinde bildirilen hataları çözün.

Özel durum Iletileri
Özel modül derlenemedi.
Özel modül derlemeleri hata (ler) ile başarısız oldu: {0}

Hata 0115

Özel bir modül varsayılan betiği desteklenmeyen bir uzantıya sahip olduğunda oluşturulur.

Azure Machine Learning içindeki bu hata, bilinmeyen bir dosya adı uzantısı kullanan özel bir modül için bir komut dosyası sağladığınızda oluşur.

Çözüm: Özel modüle dahil edilen tüm betik dosyalarının dosya biçimini ve dosya adı uzantısını doğrulayın.

Özel Durum İletileri
Varsayılan betik için desteklenmeyen uzantı.
Varsayılan betik için desteklenmeyen {0} dosya uzantısı.

Hata 0121

Tablo yazılamaz olduğundan SQL yazma işlemi başarısız olduğunda oluşturur

Bu Azure Machine Learning sql veritabanındaki bir tabloya sonuçları kaydetmek için Verileri Dışarı Aktar modülünü kullanırken oluşur ve tablo yazamaz. Genellikle, Verileri Dışarı Aktar modülü SQL Server örneğiyle başarıyla bağlantı kurduğunda ancak azure ML veri kümesi içeriğini tabloya yazamadığında bu hatayı alırsınız.

Çözüm:

  • Verileri Dışarı Aktar modülünün Özellikler bölmesini açın ve veritabanı ve tablo adlarının doğru girilmiş olduğunu doğrulayın.
  • Dışarı aktardınız veri kümesi şemasını gözden geçirerek verilerin hedef tabloyla uyumlu olduğundan emin olun.
  • Kullanıcı adı ve parolayla ilişkili SQL oturum açma adının tabloya yazma izinlerine sahip olduğunu doğrulayın.
  • Özel durum, dosyadan ek hata SQL Server düzeltmeleri yapmak için bu bilgileri kullanın.
Özel Durum İletileri
Sunucuya bağlı, tabloya yazamıyor.
Sql tablosuna yazamıyor: {0}

Hata 0122

Birden çok ağırlık sütunu belirtilmişse ve yalnızca bir sütuna izin verilirse özel durum oluşur.

Bu hata Azure Machine Learning sütun olarak çok fazla sütun seçildiğinde oluşur.

Çözüm: Giriş veri kümesi ve meta verilerini gözden geçirme. Yalnızca bir sütunda ağırlık olduğundan emin olur.

Özel durum Iletileri
Birden çok ağırlık sütunu belirtildi.

Hata 0123

Etiket sütunu için vektör sütunu belirtilmişse özel durum oluşur.

Etiket sütunu olarak bir Vector kullanırsanız Azure Machine Learning bu hata oluşur.

Çözüm: Gerekirse sütunun veri biçimini değiştirin veya farklı bir sütun seçin.

Özel durum Iletileri
Vektör sütunu etiket sütunu olarak belirtilir.

Hata 0124

Sayısal olmayan sütunlar ağırlık sütunu olacak şekilde belirtilmişse özel durum oluşur.

Çözüm:

Özel durum Iletileri
Sayısal olmayan sütun, ağırlık sütunu olarak belirtilir.

Hata 0125

Birden çok veri kümesi için şema eşleşmediği zaman oluşturulur.

Çözüm:

Özel durum Iletileri
Veri kümesi şeması eşleşmiyor.

Hata 0126

Kullanıcı Azure ML 'de desteklenmeyen bir SQL etki alanı belirtiyorsa özel durum oluşur.

Bu hata, Kullanıcı Azure Machine Learning desteklenmeyen bir SQL etki alanı belirttiğinde üretilir. İzin verilenler listesinde olmayan bir etki alanındaki bir veritabanı sunucusuna bağlanmaya çalışıyorsanız bu hatayı alırsınız. Şu anda izin verilen SQL etki alanları: ".database.windows.net", ".cloudapp.net" veya ".database.secure.windows.net". Başka bir ifadeyle, sunucunun bir Azure SQL sunucusu veya Azure'daki bir sanal makinede yer alan bir sunucu olması gerekir.

Çözüm: Modülü yeniden ziyaret edersiniz. SQL veritabanı sunucusunun kabul edilen etki alanlarından biri olduğunu doğrulayın:

  • .database.windows.net

  • .cloudapp.net

  • .database.secure.windows.net

Özel Durum İletileri
Desteklenmeyen SQL etki alanı.
SQL etki {0} alanı şu anda Azure ML'de desteklenmiyor

Hata 0127

Görüntü piksel boyutu izin verilen sınırı aşıyor

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

Çözüm: Görüntü boyutu ve diğer gereksinimler hakkında daha fazla bilgi için şu konulara bakın:

Özel Durum İletileri
Görüntü piksel boyutu izin verilen sınırı aşıyor.
'' dosyasındaki görüntü piksel {0} boyutu izin verilen sınırı aşıyor: ' ' {1} '

Hata 0128

Kategorik sütunlar için koşullu olasılıkların sayısı sınırı aşıyor.

Çözüm:

Özel durum Iletileri
Kategorik sütunlar için koşullu olasılıkların sayısı sınırı aşıyor.
Kategorik sütunlar için koşullu olasılıkların sayısı sınırı aşıyor. ' {0} ' Ve ' {1} ' sütunları sorunlu çiftidir.

Hata 0129

Veri kümesindeki sütun sayısı izin verilen sınırı aşıyor.

Çözüm:

Özel durum Iletileri
Veri kümesindeki sütun sayısı izin verilen sınırı aşıyor.
' ' İçindeki veri kümesindeki sütun sayısı {0} izin verilen sınırı aşıyor. '
' ' İçindeki veri kümesindeki sütun sayısı {0} ' ' için izin verilen sınırı aşıyor {1} . '
' ' İçindeki veri kümesindeki sütun sayısı ' ' için {0} izin verilen ' {1} ' sınırını aşıyor {2} . '

Hata 0130

Eğitim veri kümesindeki tüm satırlar eksik değerler içerdiğinde özel durum oluşur.

Bu, eğitim veri kümesindeki bir sütun boş olduğunda oluşur.

Çözüm: Eksik olan tüm değerleri içeren sütunları kaldırmak için eksik veri silme modülünü kullanın.

Özel durum Iletileri
Eğitim veri kümesindeki tüm satırlar eksik değerler içeriyor. Eksik değerleri kaldırmak için eksik verileri temizleme modülünü kullanmayı düşünün.

Hata 0131

Bir zip dosyasındaki bir veya daha fazla veri kümesi sıkıştırması açılmıyor ve doğru kaydedilemezse özel durum oluşur

Bu hata, zip dosyasındaki bir veya daha fazla veri kümesi sıkıştırması açılmıyor ve doğru okunamıyorsa ortaya çıkar. Zip dosyasının kendisi veya dosyalardan biri bozuk olduğundan veya dosyanın paketini açıp genişletmeye çalışırken bir sistem hatası olduğunda paketi açma işlemi başarısız olursa bu hatayı alırsınız.

Çözüm: Nasıl ilerleyeceklerini belirlemek için hata iletisinde sağlanan ayrıntıları kullanın.

Özel Durum İletileri
Sıkıştırılmış veri kümelerini karşıya yükleme başarısız oldu
Sıkıştırılmış veri kümesi {0} şu iletiyle başarısız oldu: {1}
Sıkıştırılmış veri kümesi şu {0} iletiyle özel {1} durumla başarısız oldu: {2}

Hata 0132

Paketi açmak için dosya adı belirtilmedi; birden çok dosya zip dosyasında bulundu.

Bu hata, paketi açmak için hiçbir dosya adı belirtilmedinde ortaya çıkar; birden çok dosya zip dosyasında bulundu. .zip dosyası birden fazla sıkıştırılmış dosya içeriyorsa ancak modülün Özellik bölmesindeki Veri Kümesinden PaketiNden Çıkar metin kutusunda ayıklamak için bir dosya belirtmemişsanız bu hatayı alırsınız. Şu anda modül her çalıştırıcıda yalnızca bir dosya ayıklanır.

Çözüm: Hata iletisi .zip dosyasında bulunan dosyaların listesini sağlar. İstenen dosyanın adını kopyalayın ve Veri Kümesi'ne Yapıştırarak Paketi Aç metin kutusuna yapıştırın.

Özel Durum İletileri
Zip dosyası birden çok dosya içerir; genişletecek dosyayı belirtmeniz gerekir.
Dosya birden fazla dosya içerir. Genişletilen dosyayı belirtin. Aşağıdaki dosyalar bulundu: {0}

Hata 0133

Belirtilen dosya ZIP dosyasında bulunamadı

Bu hata, özellik bölmesinin paketini açmak için veri kümesine girilen dosya adı,. zip dosyasında bulunan herhangi bir dosyanın adı ile eşleşmediği zaman üretilir. Bu hatanın en yaygın nedenleri bir yazma hatasıdır veya genişletilecek dosya için yanlış arşiv dosyası arıyor.

Çözüm: Modülü yeniden ziyaret edin. Açmak istediğiniz dosyanın adı, bulunan dosya listesinde görünürse, dosya adını kopyalayın ve özellik kutusunun paketini açmak Için veri kümesine yapıştırın. Listede istenen dosya adını görmüyorsanız, istenen dosya için doğru. zip dosyasına ve doğru ada sahip olduğunuzdan emin olun.

Özel durum Iletileri
Belirtilen dosya, zip dosyası için tamsayı bulunamadı.
Belirtilen dosya bulunamadı. Şu dosya (lar) bulundu: {0}

Hata 0134

Etiket sütunu eksik olduğunda veya etiketli satırlara yetecek kadar özel durum oluşur.

Bu hata, modül bir etiket sütunu gerektirdiğinde, ancak sütun seçimine bir tane eklemezseniz veya etiket sütununda çok fazla sayıda değer bulunmadığından oluşur.

Bu hata, önceki bir işlem, bir aşağı akış işleminde yeterli sayıda satır olduğu için veri kümesini değiştirdiğinde de oluşabilir. Örneğin, bir veri kümesini değerlere göre bölmek için bölüm ve örnek modülünde bir ifade kullandığınızı varsayalım. İfadeniz için eşleşme bulunmazsa, bölümden kaynaklanan veri kümelerinden biri boş olur.

Çözüm:

Sütun seçimine bir etiket sütunu eklerseniz, ancak tanınmazsa, etiket sütunu olarak işaretlemek için meta verileri Düzenle modülünü kullanın.

Her sütunda kaç değerin eksik olduğunu gösteren bir rapor oluşturmak için Özet verileri modülünü kullanın. Daha sonra, etiket sütununda eksik değerleri olan satırları kaldırmak için eksik veri silme modülünü kullanabilirsiniz.

Geçerli veriler ve işlem gereksinimlerini karşılamak için yeterli satırlar içerdiğini emin olmak için giriş veri kümelerinizi kontrol edin. Çok sayıda algoritma, en az sayıda veri satırına ihtiyaç olursa ancak veriler yalnızca birkaç satır veya yalnızca bir üst bilgi içeriyorsa bir hata iletisi üretir.

Özel Durum İletileri
Etiket sütunu eksik olduğunda veya etiketlenmiş satır sayısı yetersiz olduğunda özel durum oluşur.
Etiket sütunu eksik olduğunda veya etiketlenmiş satırlardan küçük olduğunda {0} özel durum oluşur

Hata 0135

Yalnızca centroid tabanlı küme de kullanılabilir.

Çözüm: Kümeyi başlatmak için centroid kullanmayan özel bir kümeleme algoritmasını temel alan bir kümeleme modelini değerlendirmeye çalıştıysanız bu hata iletisiyle karşılaşabilirsiniz.

K-Means Kümeleme modülünü temel alan kümeleme modellerini değerlendirmek için Modeli Değerlendirme'yi kullanabilirsiniz. Özel algoritmalar için R Betiği Yürütme modülünü kullanarak özel bir değerlendirme betiği oluşturun.

Özel Durum İletileri
Yalnızca centroid tabanlı küme de kullanılabilir.

Hata 0136

Hiçbir dosya adı döndürüldü; sonuç olarak dosya işleyemiyor.

Çözüm:

Özel Durum İletileri
Hiçbir dosya adı döndürüldü; sonuç olarak dosya işleyemiyor.

Hata 0137

Azure Depolama SDK'sı, okuma veya yazma sırasında tablo özellikleri ile veri kümesi sütunları arasında dönüştürme hatasıyla karşılaştı.

Çözüm:

Özel Durum İletileri
Azure tablo depolama özelliği ile veri kümesi sütunu arasında dönüştürme hatası.
Azure Tablo Depolama özelliği ve veri kümesi sütunu arasında dönüştürme hatası. Ek bilgiler: {0}

Hata 0138

Bellek tükendi, modülün çalıştırılması tamamlanamıyor. Veri kümesinin altörnekleme sorunu hafifetmenize yardımcı olabilir.

Bu hata, çalıştıran modül Azure kapsayıcısında kullanılabilir olandan daha fazla bellek gerektirdiğinde oluşur. Büyük bir veri kümesiyle çalışıyorsanız ve geçerli işlem belleğe sığmayacak olması durumunda bu durum oluşabilir.

Çözüm: Büyük bir veri kümesini okumaya çalışıyorsanız ve işlem tamamlanamıyor, veri kümesinin altörnekleme yardımcı olabilir.

Sütunların kardinalitesini denetlemek için veri kümelerinde görselleştirmeleri kullanırsanız, yalnızca bazı satırlar örneklenir. Tam bir rapor almak için özet verilerinikullanın. Ayrıca, her bir sütundaki benzersiz değerlerin sayısını denetlemek için SQL dönüşümünü Uygula dönüşümünü de kullanabilirsiniz.

Bazen geçici yüklemeler bu hataya neden olabilir. Makine desteği zaman içinde de değişir. Desteklenen veri boyutunun açıklaması için Azure MACHINE LEARNING SSS bölümüne bakın.

Veri kümenizi daha küçük bir daha zengin sütun kümesine düşürmek için sorumlu bileşen analizini veya belirtilen özellik seçim yöntemlerinden birini kullanmayı deneyin: Özellik seçimi

Özel durum Iletileri
Bellek tükendi, modülün çalıştırılması tamamlanamıyor.

Hata 0139

Bir sütunu başka bir türe dönüştürmek mümkün olmadığında özel durum oluşur.

Azure Machine Learning bu hata, bir sütunu farklı bir veri türüne dönüştürmeye çalıştığınızda oluşur, ancak bu tür geçerli işlem ya da modül tarafından desteklenmez.

Hata, bir modül geçerli modülün gereksinimlerini karşılamak için verileri örtülü olarak dönüştürmeye çalıştığında da görünebilir, ancak dönüştürme mümkün değildir.

Çözüm:

  1. Giriş verilerinizi gözden geçirerek kullanmak istediğiniz sütunun tam veri türünü ve hatayı üreten sütunun veri türünü belirler. Bazen veri türünün doğru olduğunu düşünebilirsiniz ancak yukarı akış işlemi, bir sütunun veri türünü veya kullanımını değiştirdi. Sütun meta verilerini özgün durumuna sıfırlamak için Meta Verileri Düzenle modülünü kullanın.

  2. Belirtilen işlem gereksinimlerini doğrulamak için modül yardım sayfasına bakın. Geçerli modül tarafından desteklenen veri türlerini ve desteklenen değer aralığını belirleme.

  3. Değerlerin kesilmesi, yuvarlanmış veya tamsayıların kaldırılması gerekirse, düzeltmeler yapmak için Matematik İşlemlerini Veya Kırpma Değerlerini Uygula modüllerini kullanın.

  4. Sütunu farklı bir veri türüne dönüştürmenin veya dönüştürmenin mümkün olup olmadığını göz önünde bulundurabilirsiniz. Aşağıdaki modüllerin hepsi, verileri değiştirmek için önemli esneklik ve güç sağlar:

Not

Hala çalışmıyor mu? Sorun hakkında daha iyi sorun giderme kılavuzu geliştirmemiz için ek geri bildirim sağlamayı göz önünde bulundurarak. Bu sayfada geri bildirim gönderin ve hatayı oluşturan modülün adını ve başarısız olan veri türü dönüştürmeyi girin.

Özel Durum İletileri
İzin verilmiyor dönüştürme.
Dönüştürüledi: {0} .
şu satırda {0} dönüştürüledi: , {1}
türünde sütunu, {0} satırdaki türünde bir sütuna {1} dönüştürüledi. {2}
türüne göre " {2} " sütunu, {0} satırdaki türünde bir sütuna {1} dönüştürüledi. {3}
Türün " {2} " sütunu, {0} satırdaki türün {3} " " {1} sütununa dönüştürüledi. {4}

Hata 0140

Geçirilen sütun kümesi bağımsız değişkeni etiket sütunu dışında başka sütunlar içermiyorsa özel durum oluşur.

Bu hata, özellikler dahil olmak üzere birden çok sütun gerektiren bir modüle veri kümesi bağladıysanız, ancak yalnızca etiket sütununu sağladıysanız oluşur.

Çözüm: Veri kümesine eklemek için en az bir özellik sütunu seçin.

Özel durum Iletileri
Belirtilen sütun kümesi etiket sütunu dışında başka sütunlar içermiyor.

Hata 0141

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

Azure Machine Learning bu hata, Seçili sütunda işlemi gerçekleştirmek için yeterli sayıda benzersiz değer olmadığında oluşur.

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

Kaynak veri kümesi geçerliyse, bazı yukarı akış veri işleme veya meta veri işleminin verileri değiştirilip değiştirilmediğini denetleyebilir ve bazı değerleri kaldırmış olabilirsiniz.

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

Özel durum Iletileri
Seçilen sayısal sütunların sayısı ve kategorik ve dize sütunlarındaki benzersiz değerler çok küçük.
Seçilen sayısal sütunların ve kategorik ve dize sütunlarındaki benzersiz değerlerin toplam sayısı (Şu anda {0} ) en az olmalıdır {1}

Hata 0142

Sistem kimlik doğrulaması için sertifika yükleyemediğinde özel durum oluşur.

Çözüm:

Özel durum Iletileri
Sertifika yüklenemiyor.
Sertifika {0} yüklenemiyor. Parmak izi: {1} .

Hata 0143

GitHub'dan olması gereken kullanıcı tarafından sağlanan URL ayrıştıramıyor.

Bu hata Azure Machine Learning geçersiz bir URL belirttiğinizde ve modülün geçerli bir GitHub URL'si gerektirdiğinde oluşur.

Çözüm: URL'nin geçerli bir GitHub deposuna başvurduğu doğrulayın. Diğer site türleri desteklenmiyor.

Özel Durum İletileri
URL, url'den github.com.
URL şu github.com: {0}

Hata 0144

Kullanıcı tarafından sağlanan GitHub URL'si beklenen bölümü eksik.

Bu hata Azure Machine Learning bir GitHub dosya kaynağı belirttiğinizde geçersiz BIR URL biçimi kullanarak oluşur.

Çözüm: GitHub deposunun URL'sinin geçerli olup olmadığını ve sonu \blob\ veya \tree olduğundan emin \ olun.

Özel Durum İletileri
GitHub URL'si ayrıştıramıyor.
GitHub URL'si ayrıştıramıyor (depo adının ardından \ '\blob' veya '\tree' \ beklensin): {0}

Hata 0145

Çoğaltma dizini nedense oluşturulamıyor.

Modülde bu Azure Machine Learning, modül belirtilen dizini oluşturamazsa oluşur.

Çözüm:

Özel durum Iletileri
Çoğaltma dizini oluşturulamıyor.

Hata 0146

Kullanıcı dosyalarının sıkıştırması yerel dizine geri yüklendiğinde, Birleşik yol çok uzun olabilir.

Azure Machine Learning içindeki bu hata, dosyaları ayıkladığınızda, ancak sıkıştırılmış olmayan bazı dosya adları çok uzun olduğunda oluşur.

Çözüm: Dosya adlarını, birleştirilmiş yolun ve dosya adının 248 karakterden uzun olmadığı şekilde düzenleyin.

Özel durum Iletileri
Çoğaltma yolu 248 karakterden uzun, betik adını veya yolu kısaltın.

Hata 0147

Bazı nedenlerle GitHub 'dan bir şey indirilemedi

Azure Machine Learning içindeki bu hata, GitHub 'dan belirtilen dosyaları okuyaveya indiremediğinde oluşur.

Çözüm: Sorun geçici olabilir; dosyalara başka bir zamanda erişmeyi deneyebilirsiniz. Veya gerekli izinlere sahip olduğunuzu ve kaynağın geçerli olduğunu doğrulayın.

Özel durum Iletileri
GitHub erişim hatası.
GitHub erişim hatası. {0}

Hata 0148

Veri ayıklanırken veya dizin oluştururken yetkisiz erişim sorunları.

Azure Machine Learning bu hata, bir dizin oluşturmaya veya depolama alanından veri okumaya çalışırken, ancak gerekli izinlere sahip olmadığında oluşur.

Çözüm:

Özel durum Iletileri
Veriler ayıklanırken yetkisiz erişim özel durumu.

Hata 0149

Kullanıcı dosyası GitHub paketi içinde yok.

Bu hata Azure Machine Learning belirtilen dosya bulunamazsa oluşur.

Çözüm:

Özel Durum İletileri
GitHub dosyası bulunamadı.
GitHub dosyası bulunamadı.: {0}

Hata 0150

Kullanıcı paketinden gelen betikler, büyük olasılıkla GitHub dosyalarıyla çakışması nedeniyle sıkıştırması açılamdı.

Bu hata Azure Machine Learning betik ayıklanamaysa, genellikle aynı adla mevcut bir dosya olduğunda oluşur.

Çözüm:

Özel Durum İletileri
Paketin sıkıştırması açılmıyor; GitHub dosyalarıyla olası ad çakışması.

Hata 0151

Bulut depolamaya yazarken bir hata oluştu. URL'yi kontrol edin.

Modül bulut Azure Machine Learning veri yazmaya çalıştığında ama URL kullanılamıyor veya geçersiz olduğunda bu hata oluşur.

Çözüm: URL'yi kontrol edin ve yazılabilir olduğunu doğrulayın.

Özel Durum İletileri
Bulut depolamaya yazma hatası (büyük olasılıkla hatalı bir URL).
Bulut depolamaya yazma hatası: {0} . URL 'yi denetleyin.

Hata 0152

Azure bulut türü modül bağlamında yanlış belirtildi.

Özel durum iletileri
Hatalı Azure bulut türü
Hatalı Azure bulut türü: {0}

Hata 0153

Belirtilen depolama uç noktası geçersiz.

Özel durum Iletileri
Hatalı Azure bulut türü
Hatalı depolama uç noktası: {0}

Hata 0154

Belirtilen sunucu adı çözümlenemedi

Özel durum Iletileri
Belirtilen sunucu adı çözümlenemedi
Belirtilen Server {0} . Documents.Azure.com çözümlenemedi

Hata 0155

DocDb Istemcisi bir özel durum oluşturdu

Özel durum Iletileri
DocDb Istemcisi bir özel durum oluşturdu
DocDb İstemcisi: {0}

Hata 0156

HCatalog Sunucusu için hatalı yanıt.

Özel Durum İletileri
HCatalog Sunucusu için hatalı yanıt. Tüm hizmetlerin çalıştırılıp çalışmay olduğunu kontrol edin.
HCatalog Sunucusu için hatalı yanıt. Tüm hizmetlerin çalıştırılıp çalışmay olduğunu kontrol edin. Hata ayrıntıları: {0}

Hata 0157

Tutarsız veya farklı belge şemalarından Azure Cosmos DB okuma hatası oluştu. Okuyucu tüm belgelerin aynı şemaya sahip olması gerekir.

Özel Durum İletileri
Farklı şemalara sahip algılanan belgeler. Tüm belgelerin aynı şemaya sahip olduğundan emin olun

Hata 1000

İç kitaplık özel durumu.

Bu hata, aksi takdirde işlanmamış iç altyapı hatalarını yakalamak için sağlanır. Bu nedenle, bu hatanın nedeni, hatayı oluşturan modüle bağlı olarak farklı olabilir.

Daha fazla yardım almak için hataya eşlik edecek ayrıntılı iletiyi Azure Machine Learning forumuna göndermenizi ve giriş olarak kullanılan veriler de dahil olmak üzere senaryonun açıklamasını göndermenizi öneririz. Bu geri bildirim, hataları önceliklendirmemize ve daha fazla iş için en önemli sorunları belirlemenize yardımcı olur.

Özel durum Iletileri
Kitaplık özel durumu.
Kitaplık özel durumu: {0}
{0} Kitaplık özel durumu: {1}

Daha fazla yardım

Modül hata kodları

Azure Machine Learning için daha fazla yardım veya sorun giderme ipuçları mı gerekiyor? Şu kaynakları deneyin: