hata kodlarını kullanarak Machine Learning Studio 'da (klasik) modül özel durumları sorunlarını giderme

Machine Learning Studio 'daki modüller kullanılarak karşılaşabileceğiniz hata iletileri ve özel durum kodları hakkında bilgi edinin (klasik).

Bu sorunu çözmek için, bu makaledeki hata olup olmadığına bakarak yaygın nedenler hakkında bilgi edinin. Studio 'da bir hata iletisinin tam metnini almanın iki yolu vardır (klasik):

  • Sağ bölmedeki bağlantıyı tıklatın, Çıkış günlüğünü görüntüleyin ve en alta kaydırın. Ayrıntılı hata iletisi pencerenin son iki satırı içinde görüntülenir.

  • Hatayı içeren modülü seçin ve kırmızı X ' e tıklayın. Yalnızca ilgili hata metni görüntülenir.

Hata iletisi metni yararlı değilse, bağlam ve istenen eklemeler ya da değişiklikler hakkında bize bilgi gönderin. hata konusuyla ilgili geri bildirimde bulunabilir veya Machine Learning Studio (klasik) forumunu ziyaret ederek soru gönderebilirsiniz.

Hata 0001

Belirli bir veya daha fazla veri kümesi sütunu bulunamazsa özel durum oluşur.

Bu hatayı bir modül için bir sütun seçimi yapılırsa, ancak seçili sütunlar giriş veri kümesinde yoksa alırsınız. Bu hata, bir sütun adına el ile girdiğiniz veya sütun seçici, denemeyi çalıştırdığınızda veri kümeniz içinde mevcut olmayan önerilen bir sütun sağladıysa meydana gelebilir.

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

Özel durum Iletileri
Belirtilen bir veya daha fazla sütun bulunamadı
"" Adına veya dizinine sahip sütun {0} bulunamadı
"" Adına veya dizinine sahip sütun " {0} " 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 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 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.
  • Veri kaynağında bir sorgu kullanılıyorsa, verilerin beklediğinizi biçimde döndürüldüğünden emin olun.
  • Veri belirtimindeki yazım hatalarını veya diğer değişiklikleri denetleyin.
Özel durum Iletileri
Bir veya daha fazla giriş null veya boş
" {0} " Girdisi null veya boş

Hata 0,0004

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

iletideki parametre, modülün verileri işlemesi için gereken bir sınır değerinin altındaysa, bu hatayı Machine Learning alırsınız.

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

Özel durum Iletileri
Parametre sınır değerinden büyük olmalıdır.
" {0} " Parametresinin değeri değerinden büyük olmalıdır {1} .
" {0} " Parametresi "" değerine sahip ve {1} bu değerden büyük olmalıdır {2}

Hata 0005

Parametre belirli bir değerden küçükse özel durum oluşur.

iletideki parametre, modülün verileri işlemesi için gereken bir sınır değerine eşitse veya eşitse, bu hatayı Machine Learning alırsınız.

Çözüm: Özel durumu oluşturan modülü yeniden ziyaret edin ve parametreyi belirtilen değere eşit veya ondan büyük olacak şekilde değiştirin.

Özel durum Iletileri
Parametre, sınır değerinden büyük veya buna eşit olmalıdır.
" {0} " Parametresi değeri değerinden büyük veya buna eşit olmalıdır {1} .
" {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.

iletideki parametre, modülün verileri işlemesi için gereken sınır değerinden büyük veya bu değere eşitse 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 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 ayarlayabileceğiniz birden çok özelliği varsa, ilgili özelliklerin uygun değerlere sahip olduğundan emin olun. Örneğin, Grup verilerini sepetler halindekullanırken, özel bin kenarlarını belirtmek için seçeneğini kullanırsanız, bölme sayısı, izin kutusu sınırları olarak sağladığınız değer sayısıyla aynı olmalıdır.
  • Veri kümesinin veya veri kaynağının değiştirilip değiştirilmediğini denetleyin. Bazen, verilerin önceki bir sürümüyle çalışan bir değer, sütun sayısı, sütun veri türleri veya verilerin boyutu değiştirildikten sonra başarısız olur.
Özel durum iletileri
Parametre uyumsuzluğu. Parametrelerden biri başka bir değerden küçük veya buna eşit olmalıdır.
"" Parametresi, {0} "" değerinden küçük veya bu değere eşit olmalıdır {1} .
" {0} " Parametresi "" değerine sahip {1} ve bu değer değerinden küçük veya buna eşit olmalıdır {2} .

Hata 0008

Parametre Aralık içinde değilse özel durum oluşur.

iletideki parametre, modülün verileri işlemesi için gereken sınırların dışındaysa Machine Learning bu hatayı alırsınız.

Örneğin, farklı sayıda sütuna sahip iki veri kümesini birleştirmek için satır ekle seçeneğini kullanmayı denerseniz bu hata görüntülenir.

Çözüm: Özel durumu oluşturan modülün yeniden ziyaret edin ve parametreyi belirtilen aralık dahilinde olacak şekilde değiştirin.

Özel durum Iletileri
Parametre değeri belirtilen aralıkta değil.
" {0} " Parametresinin değeri Aralık içinde değil.
" {0} " Parametresinin değeri [ {1} ,] aralığında olmalıdır {2} .

Hata 0009

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

Azure depolama hesabı için parametreleri belirttiğinizde Machine Learning Studio'da (klasik) bu hata oluşur, ancak ad veya parola çözümlenemiyor. Parolalar veya hesap adlarına yönelik hatalar birçok nedenden dolayı oluşabilir:

  • Hesap yanlış tür. Bazı yeni hesap türleri, Machine Learning Studio (klasik) ile birlikte kullanım için desteklenmiyor. Ayrıntılar için bkz. Verileri İçeri Aktarma.
  • Yanlış hesap adı girdiniz
  • Hesap artık mevcut değil
  • Depolama hesabının parolası yanlış veya değiştirilmiş
  • Kapsayıcı adını belirtmedi veya kapsayıcı yok
  • Dosya yolunu tam olarak belirtmedisiniz (blob yolu)

Çözüm:

Bu tür sorunlar genellikle hesap adını, parolayı veya kapsayıcı yolunu el ile girmeye çalışmanız sırasında ortaya çıkar. Verileri İçeri Aktar modülü için adları bulan ve denetlemeye yardımcı olan yeni sihirbazı kullanmanız önerilir.

Ayrıca hesabın, kapsayıcının veya blob'un silinip siline olmadığını da kontrol edin. Hesap adı ve parolanın doğru girilmiş olduğunu ve kapsayıcının mevcut olduğunu doğrulamak için başka bir Azure depolama yardımcı programı kullanın.

Bazı yeni hesap türleri, Machine Learning. Örneğin, yeni "sıcak" veya "soğuk" depolama türleri makine öğrenmesi için kullanılamaz. Hem klasik depolama hesapları hem de "Genel amaçlı" olarak oluşturulan depolama hesapları iyi çalışır.

Blob'un tam yolu belirtilmişse, yolun container/blobname olarak belirlendi ve hem kapsayıcının hem de blob'un hesapta mevcut olduğunu doğrulayın.

Yol bir eğik çizgi içermeli. Örneğin /container/blob yanlıştır ve kapsayıcı/blob olarak girilir.

Kaynaklar

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

Örnek deneyler

Farklı veri kaynaklarına bağlanma örnekleri için Cortana Intelligence Gallery'de 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 Machine Learning veri kümesinde farklı sütun adları varsa bu hatayı hata iletisiyle 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, Machine Learning veri kümesinde yer alan sütunlardan herhangi biri ile eşleşmezse bu hatayı hata iletisiyle alırsınız.

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 seçili olduğunu doğrulayın.

Uygun olmayan sütunlar seçilirse bunları kaldırın ve denemeyi yeniden deneyin.

Özel Durum İletileri
Belirtilen sütun kümesi, veri kümesi sütunlarının hiçbiri için geçerli değildir.
Belirtilen sütun kümesi {0} " " veri kümesi sütunlarının hiçbiri için geçerli değildir.

Hata 0012

Sınıfın örneği geçirilen bağımsız değişken kümesiyle oluşturulamasa özel durum oluşur.

Çözüm: Bu hata kullanıcı tarafından eyleme edilemez ve gelecek sürümlerde kullanım dışı bırakılabilir.

Özel Durum İletileri
Eğitilmemiş model, önce modeli eğitin.
Eğitilmemiş model ( {0} ), eğitilen modeli kullanın.

Hata 0013

Modüle geçirilen öğrenciler geçersiz bir tür olduğunda özel durum oluşur.

Eğitilen bir model bağlı puanlama modülüyle uyumsuz olduğunda bu hata oluşur. Örneğin, Train Matchbox Recommender (Eşleşme Kutusu Önericiyi Puanla) çıkışını Modeli Puanla 'ya bağlamak (EşleşmeKutusu Öneriyi Puanla yerine) deneme çalıştırıldında bu hatayı oluşturur.

Çözüm:

Eğitim modülü tarafından üretilen öğrenici türünü ve öğrenciler için uygun puanlama modülünü belirleme.

Model özelleştirilmiş eğitim modüllerinin herhangi biri kullanılarak eğitilmişse, 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 Eğitin Vowpal Wabbit Sürüm 7-4 Modelini Puanla
Vowpal Wabbit modelleri Vowpal Wabbit Sürüm 7-10 Modelini Eğitin Vowpal Wabbit Sürüm 7-10 Modelini Puanla
Vowpal Wabbit modelleri Vowpal Wabbit Sürüm 8 Modelini Eğitin 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.

İpucu

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

Özel durum Iletileri
Sütun benzersiz değerlerinin sayısı izin verilenden fazla.
"" Sütunundaki benzersiz değerlerin sayısı demet sayısını {0} aşıyor {1} .

Hata 0015

Veritabanı bağlantısı başarısız olursa özel durum oluşur.

yanlış SQL hesap adı, parola, veritabanı sunucusu veya veritabanı adı veya veritabanı ya da sunucu sorunları nedeniyle veritabanıyla bağlantı kurulamazsa bu hatayı alırsınız.

Çözüm: Hesap adı, parola, veritabanı sunucusu ve veritabanının doğru girildiğini ve belirtilen hesabın doğru izin düzeyine sahip olduğunu doğrulayın. Veritabanına Şu anda erişilebildiğini doğrulayın.

Özel durum Iletileri
Veritabanı bağlantısı kurulurken hata oluştu.
Veritabanı bağlantısı kurulurken hata oluştu: {0} .

Hata 0016

Modüle geçirilen giriş veri kümelerinin uyumlu sütun türleri olması, ancak bunu olmaması durumunda özel durum oluşur.

iki veya daha fazla veri kümesine geçirilen sütunların türleri birbirleriyle uyumlu değilse, bu hatayı Machine Learning alırsınız.

Çözüm: Sütun türlerinin uyumlu olduğundan emin olmak için meta verileri Düzenle, özgün giriş veri kümesini değiştirin veya veri kümesine Dönüştür ' ü 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 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 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 dönüştürmeyi uygula veya R betiği çalıştır modüllerini 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. Yaygın senaryolar için daha hedeflenmiş sorun giderme adımları sağlamak üzere bu bilgileri kullanacağız.

Özel durum Iletileri
Geçerli türdeki sütun işlenemiyor. Tür modül tarafından desteklenmiyor.
Türü sütun işlenemiyor {0} . Tür modül tarafından desteklenmiyor.
Türündeki "" sütunu işlenemiyor {1} {0} . Tür modül tarafından desteklenmiyor.
Türündeki "" sütunu işlenemiyor {1} {0} . Tür modül tarafından desteklenmiyor. Parametre adı: {2}

Hata 0018

Giriş veri kümesi geçerli değilse özel durum oluşur.

Çözüm: Machine Learning bu hata birçok bağlamda görünebilir, bu nedenle tek bir çözüm yoktur. Genellikle hata, bir modüle giriş olarak girilen verilerin yanlış sayıda sütuna sahip olduğunu veya veri türünün modül gereksinimleriyle eşleşmediğinden emin olduğunu gösterir. Örneğin:

  • Modül bir etiket sütunu gerektiriyor, ancak hiçbir sütun etiket olarak işaretlenmemiş veya henüz bir etiket sütunu seçmediniz.

  • Modül, verilerin kategorik olmasını gerektirir, ancak verileriniz sayısal olmalıdır.

  • Modül belirli bir veri türü gerektiriyor. Örneğin, Matchbox öneren eğmek için sunulan derecelendirmeler sayısal veya kategorik olabilir, ancak kayan noktalı sayılar olamaz.

  • Verilerin biçimi yanlış.

  • 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 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 Machine Learning alırsınız.

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

Özel durum Iletileri
Giriş veri kümesindeki sütun sayısı izin verilen en küçük değerden küçük.
Giriş veri kümesindeki sütun sayısı, izin verilen en az {0} sütun (ler) den daha az.
"" Giriş veri kümesindeki sütun sayısı {0} izin verilen en az {1} sütun (ler) den küçük.

Hata 0021

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

bu hata, veri kümesinde belirtilen işlemi gerçekleştirmek için yeterli miktarda satır olmadığında Machine Learning görülür. Örneğin, giriş veri kümesi boşsa veya en az sayıda satırın geçerli olması gereken bir işlem gerçekleştirmeye çalışıyorsanız bu hatayı görebilirsiniz. Bu gibi işlemler, istatistiksel yöntemlere, belirli bir tür bindürme ve saymayla öğrenlerine göre gruplandırma veya sınıflandırmayı içerebilir (ancak bunlarla sınırlı değildir).

Çözüm:

  • Hatayı döndüren modülü açın ve giriş veri kümesini ve modül özelliklerini denetleyin.
  • Giriş veri kümesinin boş olmadığını ve modül yardımı 'nda açıklanan gereksinimleri karşılayacak yeterli veri satırı olduğunu doğrulayın.
  • Verileriniz bir dış kaynaktan yüklenirse, veri kaynağının kullanılabilir olduğundan ve veri tanımında içeri aktarma işleminin daha az satır almasını sağlayan bir hata veya değişiklik olmadığından emin olun.
  • Modülün veri türünü veya Temizleme, bölme veya ekleme işlemleri gibi değer sayısını etkileyebilecek bir işlem gerçekleştiriyorsanız, döndürülen satır sayısını öğrenmek için bu işlemlerin çıkışlarını kontrol edin.

Hata 0022

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

Machine Learning içinde bu hata, aşağı akış modülü veya işlemi belirli sayıda sütun veya giriş gerektirdiğinde ve çok az veya çok fazla sayıda sütun veya giriş sağladıysanız oluşabilir. Örneğin:

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

  • Sütunları yeniden adlandırdınız, ancak sütundan daha fazla veya daha az ad sağladınız.

  • 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.

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 sütununun içeriğini incelemek için modül girişini yeniden ziyaret edin. Tüm eksik değerleri içermediğinden emin olun. Modül hedef sütunun kategorik olmasını bekliyorsanız, hedef sütununda birden fazla farklı değer bulunduğundan emin olun.

Özel durum Iletileri
Giriş veri kümesinde desteklenmeyen hedef sütun yok.
Giriş veri kümesinde desteklenmeyen "" hedef sütunu yok {0} .
Giriş veri kümesinde, {0} türü Learner için desteklenmeyen "" hedef sütunu yok {1} .

Hata 0024

DataSet bir etiket sütunu içermiyorsa özel durum oluşur.

Machine Learning bu hata, modül bir etiket sütunu gerektirdiğinde ve dataset 'in bir etiket sütunu olmadığında oluşur. Örneğin, bir puanlanmış veri kümesinin değerlendirilmesi genellikle işlem doğruluğu ölçümlerinin bir etiket sütununun olmasını gerektirir.

Ayrıca, bir etiket sütununun veri kümesinde mevcut olması, ancak Machine Learning tarafından doğru algılanmadığını da ortaya çıkabilir.

Çözüm:

  • Hatayı oluşturan modülü açın ve bir etiket sütununun mevcut olup olmadığını saptayın. Sütunun adı veya veri türü, tahmin etmeye çalıştığınız tek bir sonuç (veya bağımlı değişken) içerdiği sürece önemi yoktur. Hangi sütunun etikete sahip olduğundan emin değilseniz, Class veya target gibi genel bir adı arayın.
  • Veri kümesi bir etiket sütunu içermiyorsa, etiket sütununun açık olarak veya yanlışlıkla yukarı akış kaldırılmış olması mümkündür. Ayrıca, veri kümesi bir yukarı akış Puanlama modülünün çıkışı değildir.
  • Sütunu etiket sütunu olarak açıkça işaretlemek için, meta veri düzenleme modülünü ekleyin ve veri kümesini bağlayın. Yalnızca etiket sütununu seçin ve alanlar açılan listesinden etiket ' i seçin.
  • Etiket olarak yanlış sütun seçilirse, sütundaki meta verileri düzeltebilmeniz için alanlardan etiketi temizle ' yi seçebilirsiniz.
Özel durum Iletileri
Veri kümesinde etiket sütunu yok.
"" İçinde etiket sütunu yok {0} .

Hata 0025

Veri kümesinde bir puan sütunu yoksa özel durum oluşur.

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 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: Sütunlar aynı ada sahip ise, giriş veri kümesi ve modülü arasına bir veri düzenleme modülü ekleyin. Yeni adları Yeni sütun adları metin kutusuna yazarak yeniden adlandırılacak sütunları seçmek Için meta verileri Düzenle ' de sütun seçiciyi kullanın.

Özel durum Iletileri
Bağımsız değişkenlerde eşit sütun adları belirtilmiştir. Modül tarafından eşit sütun adlarına izin verilmiyor.
"" Ve "" bağımsız değişkenlerine eşit sütun adlarına {0} {1} izin verilmez. Farklı adlar belirtin.

Hata 0027

İki nesnenin aynı boyutta olması, ancak bunların olmaması durumunda özel durum oluşur.

bu, Machine Learning yaygın olarak karşılaşılan bir hatadır ve birçok koşuldan kaynaklanıyor olabilir.

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

  • Sütunları yeniden adlandırıyorsanız her bir listenin (girdi sütunları ve yeni adların listesi) aynı sayıda öğeye sahip olduğundan emin olun.

  • İki veri kümesini birleştiriyorsanız veya birleştirirken aynı şemaya sahip olduklarından emin olun.

  • Birden çok sütunu olan iki veri kümesini birleştiriyorsanız, anahtar sütunlarının aynı veri türüne sahip olduğundan emin olun ve seçimdeki yinelenen öğelere Izin ver ve sütun sırasını koru seçeneğini belirleyin.

Özel durum Iletileri
Geçirilen nesnelerin boyutu tutarsız.
"" Boyutu "" {0} boyutuyla tutarsız {1} .

Hata 0028

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

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

  • Azure Blob Depolama okuma veya yazma için belirtilen genel veya SAS urı '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 indirileceği durumlarda özel durum oluşur.

Machine Learning içindeki bu özel durum, bir dosyanın indirileceği zaman oluşur. Üç (3) yeniden deneme denemesinden sonra bir HTTP kaynağından okuma girişimi başarısız olduğunda bu özel durumu alırsınız.

Çözüm: HTTP kaynağına ait URI 'nin doğru olduğundan ve sitenin Şu anda Internet üzerinden erişilebilir olduğundan emin olun.

Özel durum Iletileri
Dosya indirilemiyor.
Dosya indirilirken hata oluştu: {0} .

Hata 0031

Sütun kümesindeki sütun sayısı gerekenden küçükse özel durum oluşur.

Machine Learning içindeki bu hata, seçilen sütun sayısı gerekenden küçükse oluşur. Gerekli en az sayıda sütun seçilmezse bu hatayı alırsınız.

Çözüm: Sütun seçiciyi kullanarak sütun seçimine ek sütunlar ekleyin.

Özel durum Iletileri
Sütun kümesindeki sütun sayısı gerekenden küçük.
{0} sütun (ler) de belirtilmelidir. Belirtilen sütunların gerçek sayısı {1} .

Hata 0032

Bağımsız değişken bir sayı değilse özel durum oluşur.

bağımsız değişken bir double veya NaN ise 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 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 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

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

Machine Learning bu hata, puanlama için bir öneri modeli kullanmaya çalışıyordum, ancak özellik vektörü bulunamıyor.

Çözüm:

Matchbox öneren, öğe özellikleri veya Kullanıcı özellikleri kullanılırken karşılanması gereken belirli gereksinimlere sahiptir. Bu hata, giriş olarak verdiğiniz bir kullanıcı veya öğe için bir özellik vektörünün eksik olduğunu gösterir. Her Kullanıcı veya öğe için verilerde bir özellik vektörünün kullanılabilir olduğundan emin olmanız gerekir.

Örneğin, kullanıcının yaşı, konumu veya geliri gibi özellikleri kullanarak bir öneri modeli eğitiliyor, ancak şimdi eğitim sırasında görülmemiş yeni kullanıcılar için puanlar oluşturmak istiyorsam, bu kullanıcılara uygun tahminleri yapabilmek için yeni kullanıcılar için bazı eşdeğer Özellikler (ör. yaş, konum ve gelir değerleri) sağlamanız gerekir.

Bu kullanıcılar için herhangi bir özellik yoksa, uygun özellikleri oluşturmak için özellik Mühendisliği ' nı düşünün. Örneğin, bireysel kullanıcı yaşı veya gelir değerleriniz yoksa, bir Kullanıcı grubu için kullanılacak yaklaşık değerler oluşturabilirsiniz.

Öneri modundan Puanlama yaparken, yalnızca eğitim sırasında öğe veya kullanıcı özelliklerini kullandıysanız, öğe veya kullanıcı özelliklerini kullanabilirsiniz. Daha fazla bilgi için bkz. Score Matchbox öneren.

Matchbox öneri algoritmasının nasıl çalıştığı ve öğe özelliklerinin veya kullanıcı özelliklerinin veri kümesinin nasıl hazırlanacağı hakkında genel bilgi için bkz. öneren Matchbox to eğitme.

İpucu

Çözüm sizin için geçerli değil mi? Bu makaleyle ilgili geri bildirimde bulunmak ve söz konusu senaryo hakkında, modül ve sütundaki satır sayısı dahil olmak üzere bir bilgi sağlamak için hoş geldiniz. Gelecekte daha ayrıntılı sorun giderme adımları sağlamak için bu bilgileri kullanacağız.

Özel durum Iletileri
Gerekli bir kullanıcı veya öğe için hiçbir özellik belirtilmedi.
{0}Gerekli ancak sağlanmamış Özellikler.

Hata 0036

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

bir özellik vektörü birden çok kez tanımlanmışsa 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 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.

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.
"" İçindeki öğe sayısı {0} geçerli değil.
"" İçindeki öğe sayısı {0} geçerli öğe sayısına eşit değil {1} .

Hata 0039

İşlem başarısız olursa özel durum oluşur.

Bu hata 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 hatayı ve 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 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 modülü çağrılırken özel durum oluşur.

Kullanım dışı Machine Learning çağrılırken bu hata oluşur.

Çözüm: Kullanım dışı modülü desteklenen bir dizi modülle değiştirin. Bu bilgiler modül çıkış günlüğünde görünür olmalıdır.

Özel Durum İletileri
Kullanım dışı modülüne erişme.
Modül {0} " " kullanım dışıdır. İstenen işlevsellik için {1} " " modüllerini kullanın.

Hata 0042

Sütunu başka bir türe dönüştürmek mümkün değilken özel durum oluşur.

Bu hata Machine Learning sütunu belirtilen türe dönüştürmenin mümkün olmadığını gösterir. Bir modül tarih saat, metin, kayan nokta numarası veya tamsayı gibi belirli bir veri türü gerektiriyorsa ancak mevcut bir sütunun gerekli türe dönüştürülmesi mümkün değilse bu hatayı alırsınız.

Örneğin, bir sütunu seçerek matematik işlemi için sayısal bir veri türüne dönüştürmeyi deneyebilir ve sütunda geçersiz veriler varsa bu hatayı alabilirsiniz.

Kayan nokta sayıları veya kategorik sütun olarak birçok benzersiz değer içeren bir sütun kullanmayı denersanız bu hatayı alasınız.

Çözüm:

  • Hatayı oluşturan modülün yardım sayfasını açın ve veri türü gereksinimlerini doğrulayın.
  • Giriş veri kümesinde sütunların veri türlerini gözden geçirme.
  • Şemasız veri kaynaklarından kaynaklanan verileri inceleme.
  • Veri kümesine eksik değerleri veya istenen veri türüne dönüştürmeyi engellebiliyor özel karakterleri kontrol edin.
    • Sayısal veri türleri tutarlı olmalıdır: örneğin, tamsayı sütunlarında kayan nokta sayılarını kontrol edin.
    • 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 uygulamaz özel durum oluşur.

Bu hata Machine Learning kullanım dışıdır ve kullanım dışıdır.

Çözüm: Hiçbiri.

Özel Durum İletileri
Erişilebilir açık metot Equals bulunamadı.
türünde " " sütunu \ {0} \ için değerleri karşılaştıramazsınız. {1} Erişilebilir açık metot Equals bulunamadı.

Hata 0044

Özel durum, var olan değerlerden sütun öğe türü türetileyenin mümkün olmadığını ortaya çıkar.

Bu Machine Learning, bir veri kümesinde sütun veya sütun türünün çıkarılamayabiliyorsa oluşur. Bu durum genellikle iki veya daha fazla veri kümesi farklı öğe türleriyle bir pekişan hale geldiğinde gerçekleşir. Bu Machine Learning, bilgi kaybı olmadan bir sütundaki veya sütundaki tüm değerleri temsil eden ortak bir türü belirleyeyene kadar bu hatayı oluşturur.

Çözüm: Birleştirilmiş her iki veri kümesinde de verilen bir sütundaki tüm değerlerin aynı türde (sayısal, Boole, kategorik, dize, tarih vb.) olduğundan veya aynı türe göre kabarabiliyor olduğundan emin olun.

Özel Durum İletileri
Sütunun öğe türü türeyebilirsiniz.
" " sütunu için öğe türü {0} türeyemiyor; tüm öğeler null başvurudur.
Veri kümesi " " sütunlarının " " için öğe {0} türü türeyemiyor; {1} tüm öğeler null başvurudur.

Hata 0045

Özel durum, kaynakta karma öğe türleri nedeniyle sütun oluşturulamayabiliyorsa oluşur.

Birleştirilmiş Machine Learning veri kümelerinin öğe türleri farklı olduğunda bu hata ortaya türetir.

Çözüm: Birleştirilmiş her iki veri kümesinde de verilen sütundaki tüm değerlerin aynı türde (sayısal, Boole, kategorik, dize, tarih vb.) olduğundan emin olun.

Özel Durum İletileri
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 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.

Bu Machine Learning, eğitime giriş veri kümesi algoritma için gereken en az sayıda sütun içermezse 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.

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.

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 içermediğinden emin olmak için dosyayı inceleyin.

Özel durum Iletileri
Dosya ayrıştırılamadı.
Dosya ayrıştırılırken hata oluştu: {0} .

Hata 0050

Giriş ve çıkış dosyalarının aynısı olması durumunda özel durum oluşur.

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

Özel durum Iletileri
Giriş ve çıkış için belirtilen dosyalar aynı olamaz.

Hata 0051

Birkaç çıkış dosyası aynı olduğunda özel durum oluşur.

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

Özel durum Iletileri
Çıktılar için belirtilen dosyalar aynı olamaz.

Hata 0052

Azure depolama hesabı anahtarı yanlış belirtilmişse özel durum oluşur.

Azure depolama hesabına erişmek için kullanılan anahtar yanlış ise Machine Learning bu hata oluşur. Örneğin, Azure depolama anahtarı kopyalanırken ve yapıştırıldığında kesilmişse veya yanlış anahtar kullanılmışsa bu hatayı görebilirsiniz.

Bir Azure depolama hesabı için anahtar alma hakkında daha fazla bilgi için bkz. depolama erişim anahtarlarını görüntüleme, kopyalama ve yenidenoluşturma.

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

Özel durum Iletileri
Azure depolama hesabı anahtarı yanlış.

Hata 0053

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

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: 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.

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

Çözüm:

Özel durum Iletileri
Kullanım dışı modüle erişme.
" {0} " Modülü kullanım dışıdır.

Hata 0056

İşlem için seçtiğiniz sütunlar gereksinimleri ihlal ederse özel durum oluşur.

Machine Learning bu hata, sütunun belirli bir veri türünde olmasını gerektiren bir işlem için sütunlar seçerken oluşur.

Bu hata, sütun doğru veri türünde olduğunda da gerçekleşebilir, ancak kullandığınız modül sütunun bir özellik, etiket ya da kategorik sütun olarak işaretlenmesini gerektirir.

Örneğin, gösterge değerlerini Dönüştür modülü, sütunların kategorik olmasını gerektirir ve bir özellik sütunu veya etiket sütunu seçerseniz bu hatayı yükseltir.

Çözüm:

  1. Şu anda seçili olan sütunların veri türünü gözden geçirin.

  2. Seçili sütunların kategorik, etiket veya özellik sütunları olup olmadığını yoklar.

  3. Veri türü veya sütun kullanımı için belirli gereksinimler olup olmadığını öğrenmek için, sütun seçimini yaptığınız modülün yardım konusunu gözden geçirin.

  4. Bu işlem süresince sütun türünü değiştirmek için meta verileri Düzenle ' ye kullanın. Aşağı akış işlemleri için gerekliyse, sütuntürünü özgün değerine geri değiştirdiğinizden emin olun.

Özel durum Iletileri
Seçilen bir veya daha fazla sütun izin verilen bir kategoride değildi.
"" Adlı sütun {0} izin verilen bir kategoride değil.

Hata 0057

Zaten var olan bir dosya veya blob oluşturulmaya çalışılırken özel durum oluştu.

bu özel durum, Azure blob depolama alanına Machine Learning bir deneyin sonuçlarını kaydetmek için verileri dışarı aktar modülünü veya başka bir modülü kullandığınızda oluşur, ancak zaten var olan bir dosya ya da blob oluşturmayı deneyin.

Çözüm:

Bu hatayı yalnızca, daha önce Azure Blob depolama yazma modu özelliğini hata olarak ayarlarsanız 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 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 beklendiği gibi değil
Etiket sütunu " " içinde beklendiği gibi {0} değil.
" " içinde {0} " " etiket sütunu beklenmdi. {1}

Hata 0059

Bir sütun seçicide belirtilen sütun dizini ayrıştırılemezsa özel durum oluşur.

Bu hata Machine Learning, Sütun Seçicisi kullanırken belirtilen bir sütun dizini ayrıştırılemezsa 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 Machine Learning, Sütun Seçicisi'ne aralık dışında bir sütun aralığı belirtiliyorsa 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 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 farklı ise satır veri kümesine ek olamaz.

Çözüm: Giriş veri kümesi üzerinde satırla aynı sayıda sütun olacak şekilde veya eklenen satırı, veri kümesiyle aynı sayıda sütuna sahip olacak şekilde değiştirebilirsiniz.

Özel Durum İletileri
Tüm tabloların aynı sayıda sütuna sahip olması gerekir.

Hata 0062

İki modeli farklı learner türleriyle karşılaştırmaya çalışırken özel durum oluşur.

Bu hata Machine Learning farklı puanlı iki veri kümesi için değerlendirme ölçümleri karşılaştırılamay olduğunda ortaya türetir. Bu durumda, puanlı iki veri kümesi üretmek için kullanılan modellerin etkinliğini karşılaştırmak mümkün değildir.

Çözüm: Puanlı sonuçların aynı tür makine öğrenmesi modeliyle (ikili sınıflandırma, regresyon, çok sınıflı sınıflandırma, öneri, kümeleme, anomali algılama vb.) üretil olduğunu doğrulayın Karşılaştıran tüm modellerin aynı learner türüne sahip olması gerekir.

Özel Durum İletileri
Tüm modellerin aynı learner türüne sahip olması gerekir.

Hata 0063

R betik değerlendirmesi bir hatayla başarısız olduğunda bu özel durum ortaya çıkar.

Bu hata, Machine Learning'de R dil modüllerinden biri içinde R betiği sağladınız ve R kodu iç söz dizimi hataları içeriyorsa oluşur. R betiğine yanlış girişler sağlarsanız da özel durum oluşabilir.

Betik çalışma alanında yürütülemayacak kadar büyükse hata da oluşabilir. R Betiği Yürütme modülü için en büyük betik boyutu 1.000 satır veya 32 KB çalışma alanıdır (hangisi daha düşükse).

Çözüm:

  1. Machine Learning Studio'da (klasik), hataya sahip modüle sağ tıklayın ve Günlüğü Görüntüle'yi seçin.
  2. Yığın izlemesini içeren modülün standart hata günlüğünü inceleme.
    • [ModuleOutput] ile başlayan satırlar, R çıkışına işaret eder.
    • 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 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 konu başlıkları, kullanabileceğiniz R kodu örneklerinin yanı sıra R betiği kullanan Cortana deneme 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 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 girerseniz bu durum oluşabilir. Hesap silindiğinde de oluşabilir.

Çözüm: Hesap adı ve parolanın doğru girilmiş olduğunu ve hesabın mevcut olduğunu doğrulayın.

Özel Durum İletileri
Azure depolama hesabı adı veya depolama anahtarı yanlış.
Hesap adı için Azure depolama {0} hesabı adı " " veya depolama anahtarı yanlış.

Hata 0065

Azure blob adı yanlış belirtilirse özel durum oluşur.

Azure blob Machine Learning yanlış belirtilirse bu hata oluşur. Aşağıdakiler için hata alırsınız:

  • Blob belirtilen kapsayıcıda bulunamıyor.

  • Counts modüllerini içeren bir dosyada çıkış için belirtilen blob Learning adı 512 karakterden büyüktür.

  • Biçim kodlamalı CSV biçimindeyken yalnızca kapsayıcı, Verileri İçeri Aktarma isteğinde Excel olarak belirtilmiştir; bir kapsayıcı içindeki tüm blobların içeriğinin bu biçimlerle bir bütün olarak kabul sınanmalarına izin verilmez.

  • SAS URI'sinde geçerli bir blob adı yok.

Çözüm: Özel durum oluşurken modüle yeniden ziyaret. Belirtilen blob'un depolama hesabı içinde kapsayıcıda mevcut olduğunu ve izinlerin blobu görmenizi sağlar olduğunu doğrulayın. Kodlama biçimlerine sahip bir CSV dosyanız varsa girişin containername/filename Excel olduğunu doğrulayın. SAS URI'sinde geçerli bir blob adı olduğunu doğrulayın.

Özel Durum İletileri
Azure depolama blobu yanlış.
Azure depolama blobu adı {0} " " yanlış

Hata 0066

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

Kaynak Machine Learning Azure Blob'a yüklenemedi ise bu hata 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 Machine Learning bir 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 kümesini veya parametrelerini değiştirin.

Özel durum Iletileri
DataTable 'da beklenmeyen sayıda sütun.
" {0} " Sütunları bekleniyordu ancak {1} bunun yerine "" sütunları bulundu.

Hata 0068

Belirtilen Hive betiği doğru değilse özel durum oluşur.

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 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 Machine Learning hatası, belirtilen SQL betiği sözdizimi 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 SQL üretilmiş bir ileti varsa, bildirilen hataya göre işlem yapın. Örneğin, hata iletileri bazen olası hataya özgü yönergeler içerir:

  • Böyle bir sütun veya eksik veritabanı değil, bir sütun adı yanlış yazmış olabileceğiniz. Sütun adının doğru olduğundan eminseniz, sütun tanımlayıcısını kapsamak için köşeli ayraç veya tırnak işaretleri kullanmayı deneyin.
  • belirtilen anahtar sözcükten önce bir sözdizimi hatası olabileceğini belirten, yakınında <SQL keyword> logic error SQL
Özel durum Iletileri
SQL betiği yanlış.
"" SQL sorgusu {0} doğru değil.
"" SQL sorgusu {0} doğru değil:{1}

Hata 0070

Mevcut olmayan Azure tablosuna erişmeye çalışırken özel durum oluştu.

mevcut olmayan bir Azure tablosuna erişmeye çalıştığınızda Machine Learning bu hata oluşur. azure depolama 'da bir tablo belirtirseniz, azure tablo Depolama okunurken veya yazarken bu hatayı alırsınız. Bu durum, istenen tablonun adını yanlış yazdığınızda veya hedef adı ile depolama türü arasında bir uyuşmazlık olması durumunda gerçekleşebilir. Örneğin, bir tablodan okumayı amaçlıyorsanız, ancak bunun yerine bir Blobun adını girdiniz.

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

Özel durum Iletileri
Azure tablosu yok.
"" Azure tablosu {0} yok.

Hata 0071

Girilen kimlik bilgileri yanlışsa özel durum oluşur.

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.

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 kümesinin büyük olması ve/veya verileri okumak için SQL sorgusunun karmaşık işlemleri gerçekleştirmesini sağlar.

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.

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

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

Özel durum Iletileri
Sütun dönüştürülemedi.
Sütun, olarak dönüştürülemedi {0} .

Hata 0074

Düzenleme meta verileri seyrek bir sütunu kategorik 'e dönüştürmeye çalıştığında özel durum oluşur.

Machine Learning içindeki bu hata, düzenleme meta verileri seyrek bir sütunu kategorik olarak dönüştürmeye çalıştığında oluşur. Bu hatayı, seyrek sütunları, kategorik yap seçeneğiyle kategorik 'e dönüştürmeye çalışırken alacaksınız. Machine Learning seyrek kategorik dizileri desteklemez, bu nedenle modül başarısız olur.

Çözüm: Önce veri kümesine Dönüştür ' ü kullanarak sütunu yoğun yapın veya sütunu kategorik olarak dönüştürmeyin.

Özel durum Iletileri
Seyrek sütunlar kategorik olarak dönüştürülemez.

Hata 0075

Bir veri kümesini satışlama sırasında geçersiz bir binme işlevi kullanıldığında özel durum oluşur.

Machine Learning içinde bu hata, desteklenmeyen bir yöntemi kullanarak verileri bölmeye çalışırken veya parametre birleşimleri geçersiz olduğunda oluşur.

Çözüm:

bu olay için hata işleme, daha fazla sayıda daha fazla özelleştirme yönteminin özelleştirilmesine izin veren Machine Learning önceki bir sürümünde kullanıma sunulmuştur. 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 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 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.

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 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 belirtilmişse özel durum oluşur.

Azure depolama kapsayıcısı adı yanlış belirtilmişse Machine Learning bu hata oluşur. Azure blob Depolama yazarken kapsayıcı seçeneği ile başlayan blob yolunu kullanarak hem kapsayıcıyı hem de blob (dosya) adını belirt, bu hatayı alırsınız.

Çözüm: Verileri dışarı aktar modülünü yeniden ziyaret edin ve belirtilen blob yolunun hem kapsayıcıyı hem de dosya adını kapsayıcı /filename biçiminde içerdiğini doğrulayın.

Özel durum Iletileri
Azure depolama kapsayıcısı adı yanlış.
Azure depolama kapsayıcısı adı " {0} " yanlış; biçim kapsayıcısının/Blobun kapsayıcı adı bekleniyordu.

Hata 0080

Özel durum, tüm değerleri eksik olan sütuna modül tarafından izin verilmediği zaman oluşur.

Machine Learning bu hata, modül tarafından tüketilen bir veya daha fazla sütun eksik tüm değerleri içerdiğinde üretilir. Örneğin, bir modül her sütun için toplama istatistiklerini hesapladıysanız, veri içermeyen bir sütun üzerinde çalışamaz. Bu gibi durumlarda, modül yürütmesi bu özel durumla durdurulur.

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

Özel durum Iletileri
Tüm değerleri eksik olan sütunlara izin verilmez.
Sütunda {0} tüm değerler eksik.

Hata 0081

En az bir seyrek özellik sütunu içeren giriş veri kümesindeki Özellik sütunlarının sayısına eşitse, PCA modülünde özel durum oluşur.

Machine Learning bu hata, aşağıdaki koşullar karşılanıyorsa üretilir: (a) giriş veri kümesinde en az bir seyrek sütun ve (b) istenen en 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.

Machine Learning bu hata, kaydedilmiş bir makine öğrenimi modeli veya dönüştürmesi, bir son değişikliğin sonucu olarak 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.

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 veri içeriyor.
{0} Eğitim için geçersiz veri içeriyor. Öğrenner türü: {1} .

Hata 0084

Bir R betikten üretilen puanlar değerlendirildiğinde özel durum oluşur. Bu şu anda desteklenmiyor.

Machine Learning içinde bu hata, puanları içeren bir R betiğinin çıkışıyla bir modeli değerlendirmek için modüllerden birini kullanmayı denerseniz oluşur.

Çözüm:

Özel durum Iletileri
R tarafından üretilen puanları değerlendirmek Şu anda desteklenmiyor.

Hata 0085

Betik değerlendirmesi hata vererek başarısız olduğunda özel durum oluşur.

Machine Learning bu hata, sözdizimi hataları içeren özel betik çalıştırırken oluşur.

Çözüm: Kodunuzu bir dış düzenleyicide gözden geçirin ve hata olup olmadığını denetleyin.

Özel durum Iletileri
Betik değerlendirmesi sırasında hata oluştu.
Betik değerlendirmesi sırasında aşağıdaki hata oluştu. daha fazla bilgi için çıkış günlüğünü görüntüleyin---------- {0} yorumlayıcı----------hata {1} iletisinin sonunu---------- {0} ----------

Hata 0086

Bir sayım dönüştürmesi geçersiz olduğunda özel durum oluşur.

Machine Learning bu hata, bir count tablosuna dayalı bir dönüşüm seçtiğinizde oluşur, ancak seçilen dönüşüm geçerli verilerle veya yeni sayım tablosu ile uyumsuzdur.

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 bilgi için bkz. sayımlarla Learning. 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.

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 bilgi için bkz. sayımlarla Learning. Count tabanlı özellikler oluşturma ve birleştirme için özel gereksinimler için, aşağıdaki konulara bakın:

Hata 0088

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

Machine Learning ' de bu hata, sayı tabanlı farklılaştırma için desteklenenden farklı bir sayma yöntemi kullanmaya çalıştığınızda oluşur.

Çözüm: Genel olarak, sayım yöntemleri bir açılan listeden seçilir, bu nedenle bu hatayı görmezsiniz.

genel bilgi için bkz. sayımlarla Learning. Count tabanlı özellikler oluşturma ve birleştirme için özel gereksinimler için, aşağıdaki konulara bakın:

Özel durum Iletileri
Geçersiz sayım türü belirtildi.
Belirtilen ' ' sayım türü {0} geçerli bir sayım türü değil.

Hata 0089

Belirtilen sınıf sayısı, sayım için kullanılan bir veri kümesindeki gerçek sınıf sayısından az olduğunda özel durum oluşur.

bir count tablosu oluştururken Machine Learning bu hata oluşur ve etiket sütunu modül parametrelerinde belirtenden farklı sayıda sınıf içerdiğinde oluşur.

Çözüm: Veri kümenizi denetleyin ve etiket sütununda tam olarak kaç farklı değer (olası sınıf) olduğunu öğrenin. Count tablosunu oluşturduğunuzda, en az bu sayıda sınıfı belirtmeniz gerekir.

Count tablosu, kullanılabilir sınıfların sayısını otomatik olarak belirleyemiyor.

Count tablosunu oluşturduğunuzda, 0 veya etiket sütunundaki gerçek sınıf sayısından daha küçük bir sayı belirtemezsiniz.

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.

Machine Learning içindeki bu hata, verileri dışarı aktarma veya bir hdınsight 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 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 . Örneğin:

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

Çözüm: Özel modül XML tanım dosyasındaki Language öğesinin Name özelliğinin olarak ayarlandığını doğrulayın R . Dosyayı kaydedin, özel modül ZIP paketini güncelleştirin ve özel modülü yeniden eklemeyi deneyin.

Özel durum Iletileri
Desteklenmeyen özel modül dili belirtildi

Hata 0101

Tüm bağlantı noktası ve parametre kimlikleri benzersiz olmalıdır.

Machine Learning bu hata, bir veya daha fazla bağlantı noktası ya da parametreye özel bir modül XML tanım dosyasında aynı kimlik değeri atandığında oluşur.

Çözüm: Tüm bağlantı noktaları ve parametreler genelinde KIMLIK değerlerinin benzersiz olduğunu denetleyin. XML dosyasını kaydedin, özel modül ZIP paketini güncelleştirin ve özel modülü yeniden eklemeyi deneyin.

Özel durum Iletileri
Bir modülün tüm bağlantı noktası ve parametre kimlikleri benzersiz olmalıdır
' {0} ' Modülünün yinelenen bağlantı noktası/bağımsız değişken kimlikleri vardır. Tüm bağlantı noktası/bağımsız değişken kimlikleri bir modül için benzersiz olmalıdır.

Hata 0102

Bir ZIP dosyası ayıklanamıyor olduğunda oluşturulur.

Machine Learning içindeki bu hata, .zip uzantılı bir daraltılmış paketi içeri aktarırken, ancak paket bir zıp dosyası olmadığında ya da dosya desteklenen bir zıp biçimi kullanmıyorsa oluşur.

Çözüm: Seçilen dosyanın geçerli bir .zip dosyası olduğundan ve desteklenen sıkıştırma algoritmalarından birini kullanarak sıkıştırıldığından emin olun.

Veri kümelerini sıkıştırılmış biçimde aktarırken bu hatayı alırsanız, içerilen tüm dosyaların desteklenen dosya biçimlerinden birini kullandığınızı ve Unicode biçiminde olduğunu doğrulayın. Daha fazla bilgi için bkz. Sıkıştırılmış veri kümelerini açma.

İstenen dosyaları yeni bir sıkıştırılmış daraltılmış klasöre açmayı deneyin 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

Machine Learning içindeki bu hata, özel modül zıp 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 tanımı dosyası içermiyor (.xml dosya)

Hata 0104

Modül tanımı dosyası bulunamayan bir betiğe başvurduğunda oluşturulur

bu Machine Learning hata, özel bir modül xml tanım dosyası, zıp 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. Örneğin:

<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 betiği dosyası yok.
Başvurulan ' ' R betiği dosyası {0} bulunamıyor. Dosya için göreli yolun, tanımlar konumundan doğru olduğundan emin olun.

Hata 0105

Bu hata bir modül tanımı dosyası desteklenmeyen bir parametre türü içerdiğinde görüntülenir

Machine Learning içindeki bu hata, özel bir modül xml tanımı oluşturduğunuzda ve bir parametre ya da tanımda bir bağımsız değişkenin türü desteklenen bir türle eşleşmediği zaman üretilir.

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

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

Hata 0106

Modül tanımı dosyası desteklenmeyen bir giriş türünü tanımlıyorsa oluşturulur

Machine Learning içindeki bu hata, özel bir modül XML tanımındaki bir giriş bağlantı noktasının türü desteklenen bir türle eşleşmediği zaman üretilir.

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

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

Hata 0107

Modül tanımı dosyası desteklenmeyen bir çıkış türünü tanımlıyorsa oluşturulur

Machine Learning içindeki bu hata, özel bir modül xml tanımındaki bir çıkış bağlantı noktasının türü desteklenen bir türle eşleşmediği zaman üretilir.

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

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

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

Machine Learning içindeki bu hata, columnpicker türünde bir bağımsız değişken öğesinin Properties öğesi içindeki portıd özelliği bir giriş bağlantı noktasının kimlik değeri ile eşleşmediği zaman üretilir.

Çözüm: PortID özelliğinin özel modül XML tanımında tanımlanan bir giriş bağlantı noktasının KIMLIK değeri ile eşleştiğinden emin olun.

Özel durum Iletileri
Sütun seçici mevcut olmayan bir giriş bağlantı noktası KIMLIĞINE başvuruyor.
Sütun seçici, varolmayan bir giriş bağlantı noktası KIMLIĞINE (' {0} ') başvuruyor.

Hata 0111

Modül tanımı dosyası geçersiz bir özellik tanımlıyorsa oluşturulur

Machine Learning içindeki bu hata, özel modül XML tanımındaki bir öğeye geçersiz bir özellik atandığında üretilir.

Çözüm: Özelliğin özel modül öğesi tarafından desteklendiğinden emin olun.

Özel durum Iletileri
Özellik tanımı geçersiz.
Özellik tanımı ' {0} ' geçersiz.

Hata 0112

Modül tanımı dosyası ayrıştırılamadığınızda oluşturulur

bu Machine Learning hata, xml biçiminde bir hata olduğunda oluşturulur ve özel modül xml tanımının geçerli bir xml dosyası olarak ayrıştırılmasını önler.

Çözüm: Her öğenin doğru şekilde açıldığından ve kapatıldığından emin olun. XML biçimlendirmesinde hata olmadığından emin olun.

Özel durum Iletileri
Modül tanım dosyası ayrıştırılamıyor.
Modül tanım dosyası ' {0} ' ayrıştırılamadı.

Hata 0113

Bir modül tanımı dosyası hatalar içerdiğinde oluşturulur.

bu 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.

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.

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

Çözüm: Özel modülde yer alan herhangi bir betik dosyasının dosya biçimi ve dosya adı uzantısını doğrulayın.

Özel durum Iletileri
Varsayılan betik için desteklenmeyen uzantı.
{0}Varsayılan betik için desteklenmeyen dosya uzantısı.

Hata 0121

tablo yazılamaz olduğundan SQL yazma başarısız olduğunda oluşturulur

Machine Learning bu hata, sonuçları SQL veritabanındaki bir tabloya kaydetmek için verileri dışarı aktar modülünü kullandığınızda üretilir ve tablo öğesine yazılamaz. genellikle, veri verme modülünün SQL Server örnekle bir bağlantı kurmasından, ancak daha sonra Azure ML veri kümesinin içeriğini tabloya yazabilmesi durumunda bu hatayı görürsünüz.

Çözüm:

  • Veri dışarı aktarma modülünün Özellikler bölmesini açın ve veritabanı ve tablo adlarının doğru girildiğini doğrulayın.
  • Dışarı aktardığınız veri kümesinin şemasını gözden geçirin ve verilerin hedef tabloyla uyumlu olduğundan emin olun.
  • kullanıcı adı ve parolasıyla ilişkili SQL oturum açma izninizin tabloya yazma izinleri olduğunu doğrulayın.
  • özel durum SQL Server 'den ek hata bilgileri içeriyorsa, düzeltmeler yapmak için bu bilgileri kullanın.
Özel durum Iletileri
Sunucuya bağlanıldı, tabloya yazılamıyor.
SQL tablosuna yazılamıyor: {0}

Hata 0122

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

Machine Learning içindeki bu hata, ağırlık sütunları olarak çok fazla sütun seçildiği zaman oluşur.

Çözüm: Giriş veri kümesini ve meta verilerini gözden geçirin. Yalnızca bir sütunun ağırlık içerdiğinden emin olun.

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 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 desteklenmeyen bir SQL etki alanı belirtiyorsa özel durum oluşur.

bu hata, kullanıcı 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 şunlardır: ". database.windows.net", ". cloudapp.net" veya ". database.secure.windows.net". diğer bir deyişle, sunucunun azure SQL sunucusu veya azure 'da bir sanal makinede bulunan bir sunucu olması gerekir.

Çözüm: Modülü yeniden ziyaret edin. SQL veritabanı sunucusunun kabul edilen etki alanlarından birine ait olduğunu doğrulayın:

  • . database.windows.net

  • .cloudapp.net

  • .database.secure.windows.net

Özel Durum İletileri
Desteklenmeyen etki SQL alanı.
Azure SQL etki {0} alanı şu anda destek ML

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 olasılık sayısı sınırı aşıyor.

Çözüm:

Özel Durum İletileri
Kategorik sütunlar için koşullu olasılık sayısı sınırı aşıyor.
Kategorik sütunlar için koşullu olasılık sayısı sınırı aşıyor. '' {0} ve ' sütunları sorunlu {1} çifttir.

Hata 0129

Veri kümesinde sütun sayısı izin verilen sınırı aşıyor.

Çözüm:

Özel Durum İletileri
Veri kümesinde sütun sayısı izin verilen sınırı aşıyor.
'' içinde veri kümesinde yer alan sütun {0} sayısı izin verileni aşıyor.'
'daki veri kümesinde yer alan sütun sayısı izin verilen ' {0} {1} '.' sınırını aşıyor
'' içinde veri kümesinde yer alan sütun {0} sayısı izin verilen ' ' sınırını ' {1} {2} '.' aşıyor

Hata 0130

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

Eğitim veri kümesinde bazı sütun boş olduğunda bu durum oluşur.

Çözüm: Eksik Verileri Temizleme modülünü kullanarak tüm eksik değerleri içeren sütunları kaldırın.

Özel Durum İletileri
Eğitim veri kümesinde yer alan tüm satırlarda eksik değerler vardır. Eksik değerleri kaldırmak için Eksik Verileri Temizleme modülünü kullanmayı göz önünde bulundurabilirsiniz.

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
Upload veri kümeleri 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 Paketi Açmak için metin kutusunda ayıklamak için bir dosya belirtmemişsinizse bu hatayı alırsınız. Şu anda modül her çalıştırıcıda yalnızca bir dosya ayıklanır.

Çözüm: Hata iletisi, dosyada bulunan dosyaların listesini .zip 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 Veri Kümesine Paketten Çıkar alanına girilen dosya adı, Dosya Kümesi dosyasında bulunan herhangi bir dosyanın adıyla .zip üretir. Bu hatanın en yaygın nedenleri bir yazma hatası veya dosyanın genişlemesi için yanlış arşiv dosyasını aramaktır.

Çözüm: Modülü yeniden ziyaret edersiniz. Açmak istediğiniz dosyanın adı bulunan dosya listesinde görünüyorsa, dosya adını kopyalayın ve Veri Kümesi'ne Unpack özellik kutusuna yapıştırın. listede istenen dosya adını görmüyorsanız, istenen dosya için doğru .zip ve doğru adı gördüğünüzden emin olun.

Özel Durum İletileri
Belirtilen dosya zip dosyasında bulunamadı.
Belirtilen dosya bulunamadı. Aşağıdaki dosyaları bulundu: {0}

Hata 0134

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

Bu hata, modül bir etiket sütunu gerektirdiğinde, ancak sütun seçimine bir sütun dahil değilken veya etiket sütununda çok fazla değer eksik olduğunda oluşur.

Bu hata, önceki bir işlem veri kümesinde bir aşağı akış işlemi için yeterli satırlar mevcut olacak şekilde değiştirirse de oluşabilir. Örneğin, bir veri kümelerini değerlere bölmek için Bölümleme ve Örnek modülünde bir ifade kullanabileceğiniz varsayalım. İfadeniz için eşleşme bulunamasa, bölümden elde edilen veri kümelerinden biri boş olur.

Çözüm:

Sütun seçimine bir etiket sütunu dahil edersiniz ancak bu sütun tanınmıyorsa Meta Verileri Düzenle modülünü kullanarak etiket sütunu olarak işaretlemeniz gerekir.

Her sütunda kaç değerin eksik olduğunu gösteren bir rapor oluşturmak için Verileri Özetle modülünü kullanın. Ardından, etiket sütununda eksik değerleri olan satırları kaldırmak için Eksik Verileri Temizleme modülünü kullanabilirsiniz.

Geçerli veriler ve işlem gereksinimlerini karşılamak için yeterli satırlar içerdiğindan 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, 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 ile veri kümesi sütunu arasında dönüştürme hatası. Ek bilgiler: {0}

Hata 0138

Bellek tükendi, modül çalıştırması tamamlanmadı. Veri kümesine alt örnekleme yapmak sorunu hafifletmeye yardımcı olabilir.

Bu hata, çalışan modülün Azure kapsayıcısı içinde mevcut olandan daha fazla bellek gerektirdiğinde oluşur. Büyük bir veri kümesiyle çalışıyorsanız ve geçerli işlem belleğe sığamazsa bu durum olabilir.

Çözüm: Büyük bir veri kümesi okumaya çalışıyorsanız ve işlem tamamlanamadı ise, veri kümesi alt örneklemesi yardımcı olabilir.

Veri kümelerinin görselleştirmelerini kullanarak sütunların kardinalitesini kontrol edersiniz, yalnızca bazı satırların örneği ekleyebilirsiniz. Tam rapor almak için Verileri Özetle 'i kullanın. Ayrıca Her sütundaki benzersiz SQL sayısını kontrol etmek için Apply SQL Transformation 'i de kullanabilirsiniz.

Bazen geçici yükler bu hataya yol açabiliyor. Makine desteği zaman içinde de değişir. Desteklenen veri Machine Learning açıklaması için bkz. SSS.

Veri kümenizi daha küçük bir özellik zengini sütun kümesine azaltmak için Ana Bileşen Analizini veya sağlanan özellik seçimi yöntemlerinden birini kullanmayı deneyin: Özellik Seçimi

Özel Durum İletileri
Bellek tükendi, modül çalıştırması tamamlanmadı.

Hata 0139

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

Bu Machine Learning, bir sütunu farklı bir veri türüne dönüştürmeye çalışsanız oluşur, ancak bu tür geçerli işlem veya modül tarafından desteklenmiyor.

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} .
dönüştürüledi: {0} , satırda {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 içermezse özel durum oluşur.

Özellik de dahil olmak üzere birden çok sütun gerektiren bir modüle veri kümesi bağladıysanız ancak yalnızca etiket sütununu sağladıysanız bu hata oluşur.

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

Özel Durum İletileri
Belirtilen sütun kümesi, etiket sütunu dışında başka sütunlar içermez.

Hata 0141

Seçilen sayısal sütunların ve kategorik ve dize sütunlarında benzersiz değerlerin sayısı çok küçükse özel durum oluşur.

Bu Machine Learning, seçilen sütunda işlemi gerçekleştirmek için yeterli benzersiz değer yok olduğunda oluşur.

Çözüm: Bazı işlemler özellik ve kategorik sütunlarda istatistiksel işlemler gerçekleştirmektedir ve yeterli değer yoksa işlem başarısız olabilir veya geçersiz bir sonuç dönüşe neden olabilir. Veri kümenizi kontrol edip fature ve label sütunlarında kaç değer olduğunu kontrol edin ve gerçekleştirmeye çalıştığınız işlemi istatistiksel olarak geçerli olup olmadığını seçin.

Kaynak veri kümesi geçerli ise, yukarı akış veri işlemesi veya meta veri işlemiyle verilerin değişip değişmediğini ve bazı değerlerin kaldırılmış olup olmadığını da kontrol edin.

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

Özel Durum İletileri
Kategorik ve dize sütunlarında seçilen sayısal sütunların ve benzersiz değerlerin sayısı çok küçüktür.
Seçilen sayısal sütunların ve kategorik ve dize sütunlarında (şu anda ) benzersiz değerlerin toplam sayısı {0} en az olmalıdır {1}

Hata 0142

Sistem kimlik doğrulaması için sertifika yükleyemediknde özel durum oluşur.

Çözüm:

Özel Durum İletileri
Sertifika yüklenemiyor.
Sertifika {0} yüklenemiyor. Parmak izi: {1} .

Hata 0143

Kullanıcı tarafından sağlanan ve bu url'den olması gereken URL ayrıştır GitHub.

Bu hata Machine Learning geçersiz bir URL belirttiğinizde ve modül için geçerli bir URL GitHub oluşur.

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

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

Hata 0144

Kullanıcı tarafından GitHub url'si beklenen bölümü eksik.

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

Çözüm: GitHub deposunun URL'sinin geçerli olup olmadığını ve sonunda \blob\ veya \tree olup olmadığını kontrol \ edin.

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

Hata 0145

Çoğaltma dizini nedense oluşturulamıyor.

Bu hata Machine Learning modül belirtilen dizini oluşturamazsa oluşur.

Çözüm:

Özel Durum İletileri
Çoğaltma dizini oluşturulamıyor.

Hata 0146

Kullanıcı dosyalarının sıkıştırması yerel dizinde açılmışsa, birleşik yol çok uzun olabilir.

Dosyalarda bu Machine Learning dosyaları ayıklarken oluşur, ancak sıkıştırması açılmış durumda bazı dosya adları çok uzun olur.

Çözüm: Dosya adlarını, birleşik yol ve dosya adı 248 karakterden uzun olmayacak şekilde düzenleyin.

Özel Durum İletileri
Çoğaltma yolu 248 karakterden uzunsa betik adını veya yolunu kısaltın.

Hata 0147

Herhangi bir nedenle GitHub indirilemdi

Bu hata Machine Learning, belirtilen dosyaları dosyalardan okuyamaz veya indire GitHub.

Çözüm: Sorun geçici olabilir; dosyalara başka bir zaman erişmeyi denemeyi ebilirsiniz. Veya gerekli izinlere sahip olup olmadığınız ve kaynağın geçerli olduğunu doğrulayın.

Özel Durum İletileri
GitHub erişim hatası.
GitHub erişim hatası. {0}

Hata 0148

Verileri ayıklarken veya dizin oluştururken yetkisiz erişim sorunları.

Dizinde Machine Learning verileri depolamadan okumaya çalışırken ama gerekli izinlere sahip değilken bu hata oluşur.

Çözüm:

Özel Durum İletileri
Veriler ayıklanırken yetkisiz erişim özel durumu.

Hata 0149

Kullanıcı dosyası paket paketi içinde GitHub yok.

Bu hata Machine Learning belirtilen dosya bulunamazsa oluşur.

Çözüm:

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

Hata 0150

Kullanıcı paketinden gelen betiklerin sıkıştırması açılamdı, büyük olasılıkla dosyalarla GitHub nedeniyle.

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

Çözüm:

Özel Durum İletileri
Paketin sıkıştırması açılmıyor; dosyalarla olası GitHub çakışması.

Hata 0151

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

Bu hata Machine Learning modül bulut depolama alanına veri yazmaya çalıştığında ama URL kullanılamıyor veya geçersiz olduğunda 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 kontrol edin.

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 İletileri
Hatalı Azure Bulut Türü
Hatalı Depolama Uç Noktası:{0}

Hata 0154

Belirtilen sunucu adı çözümlenemedi

Özel Durum İletileri
Belirtilen sunucu adı çözümlenemedi
Belirtilen {0} .documents.azure.com sunucusu çözümlenemedi

Hata 0155

DocDb İstemcisi bir özel durum oluşturdu

Özel Durum İletileri
DocDb İstemcisi 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 şemaları nedeniyle Azure Cosmos DB'den 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 Machine Learning foruma göndermenizi ve giriş olarak kullanılan veriler de dahil olmak üzere senaryonun açıklamasını göndermenizi öneririz. Bu geri bildirim hataların öncelerini belirlememiz ve daha fazla çalışma için en önemli sorunları belirlememiz için bize yardımcı olacaktır.

Özel Durum İletileri
Kitaplık özel durumu.
Kitaplık özel durumu: {0}
{0} kitaplık özel durumu: {1}

Daha fazla yardım

Modül hata kodları

Daha fazla yardıma veya sorun giderme ipuçlarına mı ihtiyacınız Machine Learning? Şu kaynakları deneyin: