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

Önemli

Machine Learning Studio (klasik) desteği 31 ağustos 2024 tarihinde sona acaktır. bu tarihe göre Azure Machine Learning geçiş yapmanızı öneririz.

1 aralık 2021 ' den başlayarak yeni Machine Learning Studio (klasik) kaynakları oluşturamazsınız. 31 ağustos 2024 ' e kadar, mevcut Machine Learning Studio (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

ML Studio (klasik) belgeler kullanımdan kaldırılıyor ve gelecekte güncelleştirilmemiş olabilir.

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.

İletide parametrenin verileri Machine Learning için gereken sınırların dışında olması durumda bu hatayı hata iletisiyle birlikte alırsınız.

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

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

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

Hata 0009

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

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 belirtmediysiniz 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, 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 kümesini, belirtilen sütun dizini için aynı sütun adına sahip olacak şekilde düzenleyin.

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 özel 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 Modelini Puanla
Özel Durum İletileri
Geçersiz türde bir öğrenici geçirildi.
Learner " {0} " geçersiz türe sahip.

Hata 0014

Sütun benzersiz değerlerinin sayısı izin verilenden büyükse özel durum oluşur.

Sütunda çok fazla benzersiz değer olduğunda bu hata oluşur. Örneğin, bir sütunun kategorik veri olarak iş olacağını belirtirsiniz ancak sütunda işlemenin tamamlanmasına izin verecek kadar çok sayıda benzersiz değer varsa bu hatayı alabilirsiniz. İki girişte benzersiz değerlerin sayısı arasında bir eşleşme yoksa da bu hatayı alabilirsiniz.

Çözüm:

Hatayı oluşturan modülü açın ve giriş olarak kullanılan sütunları tanımlama. Bazı modüllerde veri kümesi girişine sağ tıklayabilirsiniz ve görselleştir'i seçerek benzersiz değerlerin sayısı ve dağılımları dahil olmak üzere tek tek sütunlarla ilgili istatistikler elde edersiniz.

Gruplama veya kategorilere ayırma için kullanmayı istediğiniz sütunlar için sütunlarda benzersiz değer sayısını azaltmaya yönelik adımlar uygulayın. Sütunun veri türüne bağlı olarak farklı şekillerde azaltabilirsiniz.

  • Metin verileri için benzer girişleri daraltan ÖnIşlem Metni'ni kullanabilirsiniz.
  • Sayısal veriler için, Verileri Grupla'ya göre Grupla'ya göre daha az sayıda grup oluşturabilir,Küçük Değer kullanarak değerleri kaldırabilir veya kesebilirsiniz ya da Temel Bileşen Analizi veya Learning ile Sayımlar gibi makine öğrenmesi yöntemlerini kullanarak verilerin boyutlarını azaltabilirsiniz.

İpucu

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

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

Hata 0015

Veritabanı bağlantısı başarısız olursa özel durum oluşur.

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

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

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

Hata 0016

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

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

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

Özel Durum İletileri
Giriş veri kümelerinde karşılık gelen dizine sahip sütunlar uyumsuz türlere sahip olur.
ve {0} {1} sütunları uyumsuzdur.
Sütun öğesi türleri, giriş veri {0} kümelerinin (ve sırasıyla) sütun (sıfır tabanlı) {1} ile uyumlu {2} değildir.

Hata 0017

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

Örneğin, sütun seçiminiz bir matematik işlemi için dize sütunu veya kategorik özellik sütununu gerekli olan puan sütunu gibi modül tarafından işlenemedi veri türüne sahip bir sütuna sahipse Machine Learning'de bu hatayı alabilirsiniz.

Çözüm:

  1. Sorun olan sütunu belirleme.
  2. Modülün gereksinimlerini gözden geçirme.
  3. Sütunu gereksinimlere uygun olacak şekilde değiştirme. Üzerinde çalıştığınız sütuna ve dönüştürmeye bağlı olarak değişiklik yapmak için aşağıdaki modüllerden birkaçı kullanabilirsiniz:
    • Sütunların veri türünü değiştirmek veya sütun kullanımını özellikten sayısala, kategorikten kategorik olmayana vb. değiştirmek için Meta Verileri Düzenle'yi kullanın.
    • Tüm dahil edilen sütunların veri kümeleri tarafından desteklenen veri türlerini kullanmalarını sağlamak için Veri Kümesine Dönüştür Machine Learning. Sütunları dönüştüre değil de giriş veri kümesinden kaldırmayı göz önünde bulundurabilirsiniz.
    • Meta Verileri Düzenle kullanılarak değiştiril SQL dönüştürme veya dönüştürme için Uygulama Ve Dönüştürme veya R Betiği Yürütme modüllerini kullanın. Bu modüller, tarih saat veri türleriyle çalışmak için daha fazla esneklik sağlar.
    • Sayısal veri türleri için Matematik İşlemlerini Uygula modülünü kullanarak değerleri yuvarlayabilirsiniz veya kısaltabilirsiniz ya da Aralık dışından değerleri kaldırmak için Kırpma Değerleri modülünü kullanabilirsiniz.
  4. Son çare olarak, özgün giriş veri kümesi üzerinde değişiklik yapmak zorundayabilirsiniz.

İpucu

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

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

Hata 0018

Giriş veri kümesi geçerli değilse özel durum oluşur.

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

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

  • Modülde verilerin kategorik olması gerekir ancak verileriniz sayısaldır.

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

  • Veriler yanlış biçimde.

  • İçe aktarılan veriler geçersiz karakterler, hatalı değerler veya aralık dışında değerler içeriyor.

  • Sütun boş veya çok fazla eksik değer içeriyor.

Gereksinimleri ve verilerinizin nasıl olabileceğini belirlemek için, veri kümesi giriş olarak tüketecek modüle yönelik yardım konusunu gözden geçirebilirsiniz.

Ayrıca verilerinizin profilini oluşturmak için Verileri Özetle veya Basit İstatistikleri İşlem'i kullanmanızı ve meta verileri ve temiz değerleri düzeltmek için şu modülleri kullanmanızı öneririz: MetaVerileri Düzenle,Eksik Verileri Temizle , Değerleri Kırp.

Özel Durum İletileri
Veri kümesi geçerli değil.
{0} geçersiz veriler içeriyor.
{0} ve {1} sütun açısından tutarlı olmalıdır.

Hata 0019

Sütunun sıralanmış değerler içermesi bekleniyorsa ama içermezse özel durum oluşur.

Belirtilen sütun değerleri Machine Learning hata iletisiyle bu hatayı alırsınız.

Çözüm: Giriş veri kümesinde el ile değiştirerek sütun değerlerini sırala ve modülü yeniden çalıştır.

Özel Durum İletileri
Sütundaki değerler sıralanmaz.
" " {0} sütunundaki değerler sıralanmaz.
Veri kümesi {0} " " sütunundaki {1} değerler sıralanmaz.

Hata 0020

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

Modül için yeterli sütun Machine Learning bu hatayı alırsınız.

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

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

Hata 0021

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

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

Çözüm:

  • Hatayı döndürülen modülü açın ve giriş veri kümesi ile modül özelliklerini kontrol edin.
  • Giriş veri kümesi boş değildir ve modül yardımı altında açıklanan gereksinimleri karşılamak için yeterli veri satırı olduğunu doğrulayın.
  • Verileriniz bir dış kaynaktan yüklendiyse, veri kaynağının kullanılabilir olduğundan ve veri tanımında içeri aktarma işleminin daha az satır alamayacak bir hata veya değişiklik olmadığını emin olun.
  • Modülün veri yukarı akışında temizleme, bölme veya birleştirme işlemleri gibi veri türünü veya değer sayısını etkileyebilecek bir işlem gerçekleştiriyorsanız, döndürülen satır sayısını belirlemek için bu işlemlerin çıkışlarını kontrol edin.

Hata 0022

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

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

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

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

  • Kaynak veya hedefte yer alan sütun sayısı değişmiş veya modül tarafından kullanılan sütun sayısıyla eşleşmemiştir.

  • Girişler için değerlerin virgülle ayrılmış bir listesini sağladınız, ancak değer sayısı eşleşmez veya birden çok giriş desteklenmiyor.

Çözüm: Modülü yeniden ziyaret edin ve sütun seçimini kontrol edin ve doğru sütun sayısının seçildiğinden emin olun. Yukarı akış modüllerinin çıkışlarını ve aşağı akış işlemlerinin gereksinimlerini doğrulayın.

Birden çok sütun (sütun dizinleri, tüm özellikler, tüm sayısal vb.) seçen sütun seçim seçeneklerilerinden birini kullandıysanız, seçim tarafından döndürülen tam sütun sayısını doğrulayabilirsiniz.

Sıkıştırılmış Veri Kümelerini Açma giriş olarak veri kümelerinin virgülle ayrılmış bir listesini belirtmeye çalışıyorsanız, aynı anda yalnızca bir veri kümesi paketini açın. Birden çok giriş desteklenmiyor.

Yukarı akış sütunlarının sayısının veya türünün değişmediğini doğrulayın.

Modeli eğitmek için bir öneri veri kümesi kullanıyorsanız, önerenin kullanıcı öğesi çiftlerine veya kullanıcı öğesi derecelendirmelerine karşılık gelen sınırlı sayıda sütun beklediğinizi unutmayın. Modeli eğitmeden veya öneri veri kümelerini bölmeden önce ek sütunları kaldırın. Daha fazla bilgi için bkz. Verileri Bölme.

Özel Durum İletileri
Giriş veri kümesinde seçilen sütun sayısı beklenen sayıya eşit değildir.
Giriş veri kümesinde seçilen sütun sayısı değerine eşit {0} değildir.
Sütun seçim deseni " {0} " , giriş veri kümesinde seçilen sütun sayısını ile eşit {1} değildir.
"" sütun seçim deseninin, giriş veri kümesinde seçilen sütunlarını sağlaması beklenir, ancak {0} {1} bu {2} sütun/veriler sağlanır.

Hata 0023

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

Hedef sütun Machine Learning (modül parametrelerinde seçili olarak) geçerli veri türünde değilse, tüm eksik değerleri içeriyorsa veya beklendiği gibi kategorik değilse bu hata oluşur.

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

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

Hata 0024

Veri kümesinde etiket sütunu yoksa özel durum oluşur.

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

Ayrıca veri kümesinde bir etiket sütunu mevcut olabilir, ancak bu sütun, veri kümesi tarafından Machine Learning.

Çözüm:

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

Hata 0025

Veri kümesinde puan sütunu yoksa özel durum oluşur.

Değerlendirme modelinde Machine Learning geçerli puan sütunları içermezse bu hata oluşur. Örneğin, kullanıcı bir veri kümesi doğru eğitilmiş bir modelle puan olmadan önce değerlendirmeye çalışır veya score sütunu açıkça yukarı akışa bırakılır. Bu özel durum, iki veri kümesinde puan sütunları uyumsuzsa da oluşur. Örneğin, doğrusal regresyonerin doğruluğunu ikili sınıflandırıcının doğruluğuyla karşılaştırmaya çalışıyor olabilirsiniz.

Çözüm: Değerlendirme modeline girişi yeniden ziyaret etmek ve bir veya daha fazla puan sütunu içerdiğini incelemek. Yoksa, veri kümesi puanlanmaz veya puan sütunları yukarı akış modülüne bırakılır.

Özel Durum İletileri
Veri kümesinde puan sütunu yoktur.
" " içinde score sütunu {0} yoktur.
" " içinde " {0} " tarafından üretilen bir puan sütunu {1} yoktur. Doğru learner türünü kullanarak veri kümelerini puanlar.

Hata 0026

Aynı adla sütunlara izin verilmiyorsa özel durum oluşur.

Bu hata Machine Learning birden çok sütun aynı adla oluşuyorsa oluşur. Bu hatayı alma yollarından biri, veri kümesine bir üst bilgi satırı yoksa ve sütun adlarının otomatik olarak atandığı durumdur: Col0, Col1 vb.

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

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

Hata 0027

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

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

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

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

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

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

Özel Durum İletileri
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 öğe sayısına sahip olacak şekilde değiştirme.

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

Hata 0039

Bir işlem başarısız olursa özel durum oluşur.

Bu hata Machine Learning iç işlem tamamlanamadı mı 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.

Kullanımdan Machine Learning modül çağrılırken bu hata oluşur.

Çözüm: Kullanım dışı modülü desteklenen bir modülle değiştirin. Bunun yerine hangi modülün kullanıla ilgili bilgiler 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.

Kullanımdan Machine Learning modül 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 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 sütunu gerekli türe dönüştürmek mümkün değilse bu hatayı alırsınız.

Örneğin, bir sütunu seçerek matematik işlemi için sayısal bir veri türüne dönüştürmeyi deneyebilir ve sütun geçersiz veriler içeriyorsa 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 numaralarını 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 uygulamazsa 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 türü çıkarılamaysa 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 coerced 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 hataya neden olur.

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.

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

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

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

Hata 0048

Bir dosyanın açılamayabiliyorsa özel durum oluşur.

Bu hata Machine Learning dosyanın okuma veya yazma için açılması mümkün değilken oluşur. Bu nedenle bu hatayı alabilirsiniz:

  • Kapsayıcı veya dosya (blob) yok

  • Dosyanın veya kapsayıcının erişim düzeyi dosyaya erişmeye izin vermiyor

  • Dosya okunamıyor veya yanlış biçime sahip

Çözüm: Modülü ve okumaya çalıştığınız dosyayı yeniden ziyaret etmek.

Kapsayıcı ve dosya adlarının doğru olduğunu doğrulayın.

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

Bir görüntü dosyasını okumaya çalışıyorsanız, bunun görüntü dosyaları için boyut, piksel sayısı vb. gereksinimlerini karşılaya olduğundan emin olun. Daha fazla bilgi için bkz. Görüntüleri İçeri Aktarma.

Özel Durum İletileri
Dosya açamıyor.
Dosyası a0 sırasında hata oluştu: {0} .

Hata 0049

Bir dosyanın ayrıştırılamaysa özel durum oluşur.

Dosya Machine Learning ayrıştırmak mümkün değilken bu hata oluşur. Verileri İçeri Aktarma modülünde seçilen dosya biçimi dosyanın gerçek biçimiyle eşleyemese veya dosya tanınmayan bir karakter içeriyorsa bu hatayı alırsınız.

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

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

Hata 0050

Giriş ve çıkış dosyaları aynı olduğunda özel durum oluşur.

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

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

Hata 0051

Birkaç çıkış dosyası aynı olduğunda özel durum oluşur.

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

Özel Durum İletileri
Çıkışlar için belirtilen dosyalar aynı olamaz.

Hata 0052

Azure depolama hesabı anahtarı yanlış belirtilirse özel durum oluşur.

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

Azure depolama hesabının anahtarının nasıl elde etmek istediğiniz hakkında daha fazla bilgi için bkz. Depolama erişim anahtarlarını görüntüleme, kopyalama ve yeniden oluşturma.

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

Özel Durum İletileri
Azure depolama hesabı anahtarı yanlış.

Hata 0053

Eşleşme kutusu önerileri için kullanıcı özellikleri veya öğeleri yoksa özel durum oluşur.

Bu hata Machine Learning vektörü bulunamazsa üretir.

Çözüm: Giriş veri kümesinde bir özellik vektörü olduğundan emin olmak.

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

Hata 0054

Sütunda işlemi tamamlamak için çok az ayrı değer varsa özel durum oluşur.

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

Özel Durum İletileri
Verilerde işlemi tamamlamak için belirtilen sütunda çok az ayrı değer var.
Verilerde işlemi tamamlamak için belirtilen sütunda çok az ayrı değer var. Gerekli minimum {0} öğedir.
Verilerin " " sütununda işlemi tamamlamak için çok {1} az ayrı değer var. Gerekli minimum {0} öğedir.

Hata 0055

Kullanım dışı modülü çağrılırken özel durum oluşur.

Kullanım dışı Machine Learning bir modülü çağırmayı denersiniz bu hata görüntülenir.

Çözüm:

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

Hata 0056

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

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

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

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

Çözüm:

  1. Seçili olan sütunların veri türünü gözden geçirme.

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

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

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

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

Hata 0057

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

Bu özel durum, bir denemenin sonuçlarını Azure blob depolama alanına kaydetmek için Verileri Dışarı Aktar modülünü veya başka bir modülü Machine Learning ama zaten var olan bir dosya veya blobu oluşturma girişiminde bulunuyorsanız oluşur.

Çözüm:

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

  • Modül özelliklerini açın ve Azure blob depolama yazma modu özelliğini Üzerine Yaz olarak değiştirin.
  • Alternatif olarak, farklı bir hedef blob veya dosyanın adını yazabilirsiniz ve önceden var olmayan bir blob belirttiğinizden emin olun.
Özel Durum İletileri
Dosya veya Blob zaten var.
Dosya veya Blob " {0} " zaten var.

Hata 0058

Veri kümesinde Machine Learning etiketi sütunu yoksa bu hata oluşur.

Bu özel durum, sağlanan etiket sütunu, öğrenciler tarafından beklenen veri veya veri türüyle eşleşmezse veya yanlış değerlere sahipse de oluşabilir. Örneğin, bu özel durum bir ikili sınıflandırıcı eğitken gerçek değerli bir etiket sütunu kullanılırken üretilen.

Çözüm: Çözüm, kullandığınız öğreniciye veya eğitimciye ve veri kümenizin sütunlarının veri türlerine bağlıdır. İlk olarak makine öğrenmesi algoritmasının veya eğitim modülünün gereksinimlerini doğrulayın.

Giriş veri kümesine yeniden ziyaret. Etiket olarak kabul görmeyi beklediğiniz sütunun, oluşturmakta olduğu model için doğru veri türüne sahip olduğunu doğrulayın.

Eksik değerlerin girişlerini kontrol edin ve gerekirse bunları ortadan kaldırarak veya değiştirin.

Gerekirse Meta Verileri Düzenle modülünü ekleyin ve etiket sütununu etiket olarak işaretlenin.

Özel Durum İletileri
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 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 Seçici'de 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 veri 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.
    • Çıktısını almak istediğiniz tüm veri kümelerini bir veri çerçevesine dönüştür olduğundan emin olun.
  4. Denemeyi yeniden kuyruza at.

Not

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

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

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 başarısız olursa hata alırsınız:

  • Blob belirtilen kapsayıcıda bulunamıyor.

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

  • Yalnızca biçim kodlamalı CSV veya csv biçimindeyken Verileri İçeri Aktarma isteğinde Excel olarak belirtilmiştir; 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 yüklenemediyse bu hata oluşur. Train Vowpal Wabbit 7-4 Model (Train Vowpal Wabbit 7-4 Model) 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 Iletileri
Kaynak Azure depolama 'ya yüklenemedi.
"" Dosyası {0} Azure depolama 'ya olarak yüklenemedi {1} .

Hata 0067

Bir veri kümesinde beklenenden farklı sayıda sütun varsa özel durum oluşur.

bir veri kümesinde beklenenden farklı sayıda sütun varsa Machine Learning bu hata oluşur. Veri kümesindeki sütun sayısı modülün yürütme sırasında beklediği 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.

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

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

Genel bilgi için bkz. Learning ile birlikte. Sayı tabanlı özellikler oluşturmaya ve birleştirmeye özgü gereksinimler için şu konulara bakın:

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

Hata 0089

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

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

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

Sayı tablosu kullanılabilir sınıfların sayısını otomatik olarak belirleye değildir.

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

Özel Durum İletileri
Sınıf sayısı yanlış. Parametre bölmesinde belirttiğiniz sınıf sayısının etiket sütunundaki sınıf sayısından büyük veya ona eşit olduğundan emin olun.
Belirtilen sınıfların sayısı , saymak için kullanılan veri kümesinde bir etiket {0} değerinden {1} ' ' büyük değildir. Parametre bölmesinde belirttiğiniz sınıf sayısının etiket sütunundaki sınıf sayısından büyük veya ona eşit olduğundan emin olun.

Hata 0090

Hive tablosu oluşturma işlemi başarısız olduğunda özel durum oluşur.

Verileri dışarı Machine Learning hdInsight kümesine veri kaydetmek için başka bir seçenek kullanırken bu hata oluşur ve belirtilen Hive tablosu oluşturulamaz.

Çözüm: Kümeyle ilişkili Azure depolama hesabı adını kontrol edin ve modül özelliklerinde aynı hesabı kullanmakta olduğunu doğrulayın.

Özel Durum İletileri
Hive tablosu oluşturulamadı. HDInsight kümesi için kümeyle ilişkili Azure depolama hesabı adının modül parametresi aracılığıyla geçirilen adla aynı olduğundan emin olun.
Hive tablosu {0} " " oluşturulamadı. HDInsight kümesi için kümeyle ilişkili Azure depolama hesabı adının modül parametresi aracılığıyla geçirilen adla aynı olduğundan emin olun.
Hive tablosu {0} " " oluşturulamadı. HDInsight kümesi için kümeyle ilişkili Azure depolama hesabı adının " olduğundan emin {1} olun.

Hata 0100

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

Özel bir Machine Learning oluşturma sırasında bu hata oluşur ve özel modül xml tanım dosyasındaki Language öğesinin name özelliği geçersiz bir değere sahip olur. Şu anda bu özellik için geçerli olan tek R değerdir. Örnek:

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

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

Özel Durum İletileri
Desteklenmeyen özel modül dili belirtildi

Hata 0101

Tüm bağlantı noktası ve parametre kimlikleri benzersiz olmalıdır.

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

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

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

Hata 0102

Zip dosyası ayıklanamay olduğunda atlanır.

bu Machine Learning, .zip uzantısına sahip sıkıştırılmış bir paketi içeri aktarıyorsanız, ancak paket bir zip dosyası değil veya dosya desteklenen bir zip biçimi kullanmazsa oluşur.

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

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

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

Özel Durum İletileri
Verilen ZIP dosyası doğru biçimde değil

Hata 0103

Bir ZIP dosyası herhangi bir dosya içerme .xml.

Bu hata Machine Learning, özel modül zip paketi herhangi bir modül tanımı (.xml) dosyası içermez. Bu dosyaların zip paketinin kökünde (örneğin, bir alt klasör içinde) yer alamları gerekir.

Çözüm: Bir veya daha fazla xml modülü tanım dosyasının, zip paketinin kök klasöründe olduğunu doğrulamak için dosyayı disk sürücüdeki geçici bir klasöre ayıklarsınız. Tüm xml dosyaları, zip paketini ayıklamış olduğu klasörde doğrudan yer alabdır. Zip paketini oluştururken zip'e xml dosyaları içeren bir klasör seçmeyebilirsiniz çünkü bu, zip paketinde zip olarak seçtiğiniz klasörle aynı adla bir alt klasör oluşturur.

Özel Durum İletileri
Verilen ZIP dosyası herhangi bir modül tanım dosyası (.xml dosyaları) içermemektedir

Hata 0104

Modül tanım dosyası bulunamaz bir betike başvuracak olduğunda oluşur

Özel bir Machine Learning xml tanım dosyası, zip paketinde mevcut olmayan Language öğesinde bir betik dosyasına başvuracaksa bu hata oluşur. Betik dosyası yolu Language öğesinin sourceFile özelliğinde tanımlanır. Kaynak dosyanın yolu zip paketinin köküne göredir (modül xml tanım dosyalarıyla aynı konum). Betik dosyası bir alt klasörde ise, betik dosyasının göreli yolu belirtilmelidir. Örneğin, tüm betikler zip paketi içindeki bir myScripts klasöründe depolanmışsa, Language öğesinin aşağıdaki gibi sourceFile özelliğine bu yolu eklemesi gerekir. Örnek:

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

Çözüm: Özel modül xml tanımının Language öğesinde sourceFile özelliğinin değerinin doğru olduğundan ve kaynak dosyanın zip paketinde doğru göreli yolda olduğundan emin olun.

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

Hata 0105

Modül tanım dosyası desteklenmeyen bir parametre türü içerdiğinde bu hata görüntülenir

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

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

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

Hata 0106

Modül tanım dosyası desteklenmeyen bir giriş türü tanımladığı zaman oluşur

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

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

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

Hata 0107

Modül tanım dosyası desteklenmeyen bir çıkış türü tanımladığı zaman oluşur

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

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

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

Hata 0108

Modül tanım dosyası desteklenenden daha fazla giriş veya çıkış bağlantı noktası tanımladığı zaman oluşur

Bu hata Machine Learning bir özel modül xml tanımında çok fazla giriş veya çıkış bağlantı noktası tanımlandığı zaman oluşur.

Çözüm: Özel modül xml tanımında tanımlanan en fazla giriş ve çıkış bağlantı noktası sayısının desteklenen bağlantı noktası sayısı üst sınırını aşmasını sağlar.

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

Hata 0109

Modül tanım dosyası bir sütun seçiciyi yanlış tanımladığı zaman oluşur

Sütun seçici Machine Learning söz dizimi özel bir modül xml tanımında hata içerdiğinde bu hata oluşur.

Çözüm: Sütun seçici bağımsız değişkeninin söz dizimi özel modül xml tanımında hata içerdiğinde bu hata oluşur.

Özel Durum İletileri
Sütun seçici için desteklenmeyen söz dizimi.

Hata 0110

Modül tanım dosyası mevcut olmayan bir giriş bağlantı noktası kimliğine başvurulan bir sütun seçici tanımladığı zaman oluşur

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

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

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

Hata 0111

Modül tanım dosyası geçersiz bir özellik tanımladığı zaman oluşur

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

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

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

Hata 0112

Modül tanım dosyası ayrıştırılamay olduğunda oluşur

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

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

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

Hata 0113

Modül tanım dosyası hatalar içerdiğinde oluşur.

Özel modülde Machine Learning xml tanım dosyası ayrıştırılana ancak özel modüller tarafından desteklene öğelerin tanımı gibi hatalar içerdiğinde bu hata oluşur.

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

Özel Durum İletileri
Modül tanım dosyası hatalar içeriyor.
'' modül tanım {0} dosyası hatalar içeriyor.
'' modül tanım {0} dosyası hatalar içeriyor. {1}

Hata 0114

Özel modül oluşturma işlemi başarısız olduğunda oluşur.

Özel modül Machine Learning başarısız olduğunda bu hata oluşur. Bu durum, özel modülü eklerken bir veya daha fazla özel modülle ilgili hatayla karşılaşıldıklarından oluşur. Bu hata iletisi içinde ek hatalar bildiriliyor.

Çözüm: Bu özel durum iletisi içinde bildirilen hataları düzeltin.

Özel Durum İletileri
Özel modül derleme başarısız oldu.
Özel modül derlemeleri şu hatalarla başarısız oldu: {0}

Hata 0115

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

Bilinmeyen dosya Machine Learning kullanan özel bir modül için betik sağlarken bu hata oluşur.

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

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

Hata 0121

Tablo yazılamaz SQL yazma işlemi başarısız olduğunda oluşturur

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

Çözüm:

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

Hata 0122

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

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

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

Özel Durum İletileri
Birden çok ağırlık sütunu belirtilir.

Hata 0123

Vektör sütunu Etiket sütunu olarak belirtilirse özel durum oluşur.

Bu Machine Learning, etiket sütunu olarak bir vektör kullanırsanız oluşur.

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

Özel Durum İletileri
Vektörlerin sütunu Etiket sütunu olarak belirtilir.

Hata 0124

Sayısal olmayan sütunlar ağırlık sütunu olarak belirtilirse özel durum oluşur.

Çözüm:

Özel Durum İletileri
Sayısal olmayan sütun ağırlık sütunu olarak belirtilir.

Hata 0125

Birden çok veri kümesi için şema eşleşmezse, atılan.

Çözüm:

Özel Durum İletileri
Veri kümesi şeması eşle değil.

Hata 0126

Özel durum, kullanıcı Azure etki alanında SQL bir etki alanı belirtirse ML.

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 Iletileri
desteklenmeyen SQL etki alanı.
SQL etki alanı {0} şu anda Azure 'da desteklenmiyor ML

Hata 0127

Resim piksel boyutu izin verilen sınırı aşıyor

Bu hata, sınıflandırma için bir görüntü veri kümesinden görüntüleri okuyorsanız ve görüntülerin modelin işleyebileceğinden daha büyük olması durumunda oluşur.

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

Özel durum Iletileri
Resim piksel boyutu izin verilen sınırı aşıyor.
' ' Dosyasındaki resim piksel boyutu {0} izin verilen sınırı aşıyor: ' {1} '

Hata 0128

Kategorik sütunlar için koşullu olasılıkların sayısı sınırı aşıyor.

Çözüm:

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

Hata 0129

Veri kümesindeki sütun sayısı izin verilen sınırı aşıyor.

Çözüm:

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

Hata 0130

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

Bu, eğitim veri kümesindeki bir sütun boş olduğunda oluşur.

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

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

Hata 0131

ZIP dosyasındaki bir veya daha fazla veri kümesinin sıkıştırılamadı ve doğru şekilde kaydedilmediğinde özel durum oluşur

Bu hata, bir ZIP dosyasındaki bir veya daha fazla veri kümesinin sıkıştırılamadı ve doğru okunamazsa üretilir. ZIP dosyasının kendisi veya içindeki dosyalardan biri bozuk olduğu veya bir dosyayı paketten açmaya çalışırken bir sistem hatası olduğundan, açma işlemi başarısız olursa bu hatayı alırsınız.

Çözüm: Nasıl ilerleyeceğini öğrenmek için hata iletisinde sunulan ayrıntıları kullanın.

Özel durum Iletileri
daraltılmış veri kümeleri Upload başarısız oldu
Daraltılmış veri kümesi {0} Şu iletiyle başarısız oldu: {1}
Daraltılmış veri kümesi {0} Şu {1} iletiyle bir özel durumla başarısız oldu: {2}

Hata 0132

Açmak için dosya adı belirtilmedi; ZIP dosyasında birden çok dosya bulundu.

Bu hata, açma için dosya adı belirtilmediğinde üretilir; ZIP dosyasında birden çok dosya bulundu. .zip dosyası birden fazla sıkıştırılmış dosya içeriyorsa, ancak modülün özellik bölmesinde veri kümesindeki ayıklama için bir dosya belirtmediyseniz bu hatayı alırsınız. Şu anda, modül her çalıştırıldığında yalnızca bir dosya ayıklanabilir.

Çözüm: Hata iletisi .zip dosyasında bulunan dosyaların bir listesini sağlar. İstenen dosyanın adını kopyalayın ve metin kutusunun paketini açmak Için veri kümesine yapıştırın.

Özel durum Iletileri
ZIP dosyası birden çok dosya içeriyor; Genişletilecek dosyayı belirtmeniz gerekir.
Dosya birden fazla dosya içeriyor. Genişletilecek dosyayı belirtin. Aşağıdaki dosyalar bulundu: {0}

Hata 0133

Belirtilen dosya ZIP dosyasında bulunamadı

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

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

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

Hata 0134

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

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

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

Çözüm:

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

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

Giriş veri kümelerinizi denetleyerek, geçerli veriler içerdiğinden emin olun ve işlemin gereksinimlerini karşılamak için yeterli sayıda satır vardır. Birçok algoritma, en az sayıda veri satırı gerektiriyorsa, ancak veriler yalnızca birkaç satır ya da yalnızca bir üst bilgi içeriyorsa bir hata mesajı oluşturur.

Özel durum Iletileri
Etiket sütunu eksik olduğunda veya etiketli satırlara yetecek kadar özel durum oluşur.
Etiket sütunu eksik olduğunda veya etiketli satırlardan az olduğunda özel durum oluşur {0}

Hata 0135

Yalnızca centroıd tabanlı küme desteklenir.

Çözüm: Kümeyi başlatmak için centroıd kullanmayan özel bir kümeleme algoritmasını temel alan bir kümeleme modeli değerlendirmeye çalıştığınızda bu hata iletisiyle karşılaşabilirsiniz.

K-anlamı kümeleme modülünü temel alan kümeleme modellerini değerlendirmek Için modeli değerlendir ' i kullanabilirsiniz. Özel algoritmalar için özel bir değerlendirme betiği oluşturmak üzere R betiği Yürüt modülünü kullanın.

Özel durum Iletileri
Yalnızca centroıd tabanlı küme desteklenir.

Hata 0136

Dosya adı döndürülmedi; Sonuç olarak dosyası işlenemiyor.

Çözüm:

Özel durum Iletileri
Dosya adı döndürülmedi; Sonuç olarak dosyası işlenemiyor.

Hata 0137

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

Çözüm:

Özel durum Iletileri
Azure Tablo Depolama özelliği ve veri kümesi sütunu arasında dönüştürme hatası.
Azure Tablo Depolama özelliği ve veri kümesi sütunu arasında dönüştürme hatası. Ek bilgiler: {0}

Hata 0138

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

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

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

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

Bazen geçici yüklemeler bu hataya neden olabilir. Makine desteği zaman içinde de değişir. desteklenen veri boyutunun açıklaması için Machine Learning sss bölümüne bakın.

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

Özel durum Iletileri
Bellek tükendi, modülün çalıştırılması tamamlanamıyor.

Hata 0139

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

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

Hata ayrıca bir modül geçerli modülün gereksinimlerini karşılamak üzere dolaylı olarak veri dönüştürmeye çalıştığında da görünebilir, ancak dönüştürme mümkün değildir.

Çözüm:

  1. Giriş verilerinizi gözden geçirin ve kullanmak istediğiniz sütunun tam veri türünü ve hatayı üreten sütunun veri türünü saptayın. Bazen veri türünün doğru olduğunu düşünebilirsiniz, ancak bir yukarı akış işleminin veri türünü veya bir sütunun kullanımını değiştirmekte olduğunu fark edebilirsiniz. Sütun meta verilerini özgün durumuna sıfırlamak için meta verileri Düzenle modülünü kullanın.

  2. Belirtilen işlem için gereksinimleri doğrulamak üzere modül yardım sayfasına bakın. Hangi veri türlerinin geçerli modül tarafından desteklendiğini ve hangi değer aralığının desteklendiğini belirleme.

  3. Değerlerin kesilme, yuvarlanmış veya aykırı olması gerekiyorsa, düzeltmeleri yapmak için matematik Işlemini uygulama veya klip değerleri modüllerini kullanın.

  4. Sütunu dönüştürme veya farklı bir veri türüne dönüştürme mümkün olup olmadığını düşünün. Aşağıdaki modüller, verileri değiştirmek için önemli esneklik ve güç sağlar:

Not

Hala çalışmıyor mu? Daha iyi sorun giderme kılavuzu geliştirmemize yardımcı olması için sorunla ilgili ek geri bildirim sağlamayı düşünün. Yalnızca bu sayfada geri bildirimde bulunun ve hatayı oluşturan modülün adını ve başarısız olan veri türü dönüştürmeyi belirtin.

Özel durum Iletileri
Dönüştürmeye izin verilmiyor.
Dönüştürülemedi: {0} .
: {0} , Satır üzerinde dönüştürülemedi {1} .
Türündeki sütun, {0} satır üzerindeki tür sütununa dönüştürülemedi {1} {2} .
Türündeki "" sütunu, {2} {0} satırdaki türdeki sütuna dönüştürülemedi {1} {3} .
Türündeki "" sütunu, {2} {0} satır türündeki "" sütununa dönüştürülemedi {3} {1} {4} .

Hata 0140

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

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

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

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

Hata 0141

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

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

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

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

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

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

Hata 0142

Sistem kimlik doğrulaması için sertifika yükleyemediğinde özel durum oluşur.

Çözüm:

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

Hata 0143

GitHub olması beklenen Kullanıcı tarafından sağlanmış URL ayrıştırılamıyor.

Machine Learning içinde bu hata geçersiz bir url belirttiğinizde ve modül geçerli bir GitHub url 'si gerektirdiğinde oluşur.

Çözüm: URL 'nin geçerli bir GitHub deposuna başvurduğundan emin olun. Diğer site türleri desteklenmez.

Özel durum Iletileri
URL github.com 'ten değil.
URL github.com 'ten değil: {0}

Hata 0144

kullanıcı tarafından sağlanmış GitHub url 'sinde beklenen bölüm eksik.

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

Çözüm: GitHub deposunun URL 'sinin geçerli olduğunu ve \blob\ veya \tree ile bitip bitmediğini denetleyin \ .

Özel durum Iletileri
GitHub URL 'si ayrıştırılamıyor.
GitHub URL 'si ayrıştırılamıyor ( \ depo adından sonra ' \blob ' veya ' \tree \ ' bekleniyor):{0}

Hata 0145

Çoğaltma dizini bazı nedenlerle oluşturulamıyor.

Machine Learning bu hata, modül belirtilen dizini oluşturamazsa oluşur.

Çözüm:

Özel durum Iletileri
Çoğaltma dizini oluşturulamıyor.

Hata 0146

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

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

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

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

Hata 0147

bazı nedenlerle GitHub olan şeyler indirilemedi

Machine Learning içindeki bu hata, GitHub içinden belirtilen dosyaları okuya, indiremediğinde oluşur.

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

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

Hata 0148

Veri ayıklanırken veya dizin oluştururken yetkisiz erişim sorunları.

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

Çözüm:

Özel durum Iletileri
Veriler ayıklanırken yetkisiz erişim özel durumu oluştu.

Hata 0149

kullanıcı dosyası GitHub demeti içinde yok.

Machine Learning bu hata, belirtilen dosya bulunamadığında oluşur.

Çözüm:

Özel durum Iletileri
GitHub dosyası bulunamadı.
GitHub dosyası bulunamadı.:{0}

Hata 0150

kullanıcı paketinden gelen betikler, büyük olasılıkla GitHub dosyaları ile çakışmadan dolayı sıkıştıramayacaksınız.

bu Machine Learning hatası, genellikle aynı ada sahip mevcut bir dosya olduğunda bir komut dosyası ayıklanamaz oluşur.

Çözüm:

Özel durum Iletileri
Paket açılamıyor; GitHub dosyaları ile olası ad çakışması.

Hata 0151

Bulut depolama alanına yazılırken bir hata oluştu. URL 'YI denetleyin.

Machine Learning bu hata, modül bulut depolama alanına veri yazmaya çalıştığında, ancak URL kullanılamıyor ya da geçersiz olduğunda oluşur.

Çözüm: URL 'YI denetleyin ve yazılabilir olduğunu doğrulayın.

Özel durum Iletileri
Bulut depolamaya yazma hatası (muhtemelen hatalı URL).
Bulut depolama alanına yazılırken hata oluştu: {0} . URL 'yi denetleyin.

Hata 0152

Azure bulut türü modül bağlamında yanlış belirtildi.

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

Hata 0153

Belirtilen depolama uç noktası geçersiz.

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

Hata 0154

Belirtilen sunucu adı çözümlenemedi

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

Hata 0155

DocDb Istemcisi bir özel durum oluşturdu

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

Hata 0156

HCatalog sunucusu için hatalı yanıt.

Özel durum Iletileri
HCatalog sunucusu için hatalı yanıt. Tüm hizmetlerin çalışıp çalışmadığını denetleyin.
HCatalog sunucusu için hatalı yanıt. Tüm hizmetlerin çalışıp çalışmadığını denetleyin. Hata ayrıntıları: {0}

Hata 0157

tutarsız veya farklı belge şemaları nedeniyle Azure Cosmos DB okunurken bir hata oluştu. Okuyucu tüm belgelerin aynı şemaya sahip olmasını gerektirir.

Özel durum Iletileri
Farklı şemalarda bulunan belgeler algılandı. Tüm belgelerin aynı şemaya sahip olduğundan emin olun

Hata 1000

İç kitaplık özel durumu.

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

daha fazla yardım almak için, hataya eşlik eden ayrıntılı iletiyi, giriş olarak kullanılan veriler de dahil olmak üzere senaryonun açıklamasıyla birlikte Machine Learning forumuna nakletmeniz önerilir. Bu geri bildirim, hataları önceliklendirmemize ve daha fazla iş için en önemli sorunları belirlemenize yardımcı olur.

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

Daha fazla yardım

Modül hata kodları

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