Behandeln von Modul ausnahmen in Machine Learning Studio (klassischen) Verwenden von Fehlercodes

Wichtig

Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.

Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.

• Siehe Migrieren zu Azure Machine Learning
• Weitere Informationen zu Azure Machine Learning.

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Erfahren Sie mehr über die Fehlermeldungen und Ausnahmecodes, die Sie möglicherweise mithilfe von Modulen in Machine Learning Studio (klassisch) auftreten.

Um das Problem zu beheben, suchen Sie nach dem Fehler in diesem Artikel, um mehr über häufige Ursachen zu erfahren. Es gibt zwei Möglichkeiten, den vollständigen Text einer Fehlermeldung in Studio (klassisch) abzurufen:

• Klicken Sie im rechten Bereich auf den Link zum Anzeigen des Ausgabeprotokolls und scrollen Sie zum Ende. Die ausführliche Fehlermeldung wird in den letzten beiden Zeilen des Fensters angezeigt.

• Wählen Sie das Modul mit dem Fehler aus, und klicken Sie auf das rote X. Es wird nur der relevante Fehlertext angezeigt.

Wenn der Text der Fehlermeldung nicht hilfreich ist, senden Sie uns Informationen zum Kontext und zu allen gewünschten Ergänzungen oder Änderungen. Sie können entweder Feedback zum Fehlerthema übermitteln oder das Machine Learning Studio-Forum (klassisches) Forum besuchen und eine Frage posten.

Fehler 0001

Eine Ausnahme tritt auf, wenn eine oder mehrere angegebene Spalten des Datasets nicht gefunden werden konnten.

Sie erhalten diesen Fehler, wenn für ein Modul eine Spaltenauswahl vorgenommen wird, die ausgewählte(n) Spalte(n) jedoch nicht im Eingabedataset vorhanden ist (sind). Dieser Fehler kann auftreten, wenn Sie einen Spaltennamen manuell eingegeben haben oder wenn der Spaltenselektor eine vorgeschlagene Spalte bereitgestellt hat, die bei der Durchführung des Experiments in Ihrem Dataset nicht vorhanden war.

Lösung: Rufen Sie das Modul erneut auf, das diese Ausnahme auslöst, und überprüfen Sie, ob die Spaltennamen korrekt und alle referenzierten Spalten vorhanden sind.

Ausnahmemeldungen
Eine oder mehrere angegebene Spalten wurden nicht gefunden
Spalte mit Name oder Index „{0}“ nicht gefunden
Spalte mit Name oder Index „{0}“ ist in „{1}“ nicht vorhanden

Fehler 0002

Eine Ausnahme tritt auf, wenn mindestens ein Parameter nicht analysiert oder vom angegebenen Typ in den vom Zielmethodentyp erforderlichen Typ konvertiert werden konnte.

Dieser Fehler tritt in Machine Learning auf, wenn Sie einen Parameter als Eingabe angeben, und der Werttyp unterscheidet sich vom erwarteten Typ, und die implizite Konvertierung kann nicht ausgeführt werden.

Lösung: Überprüfen Sie die Anforderungen des Moduls und ermitteln Sie, welcher Werttyp erforderlich ist (string, integer, double usw.).

Ausnahmemeldungen
Fehler beim Analysieren des Parameters
Fehler beim Analysieren des Parameters „{0}“
Fehler beim Analysieren (Konvertieren) des Parameters „{0}“ in „{1}“
Fehler beim Konvertieren des Parameters „{0}“ von „{1}“ in „{2}“
Fehler beim Konvertieren von „{0}“-Parameterwert „{1}“ von „{2}“ in „{3}“
Fehler beim Konvertieren des Werts „{0}“ in der Spalte „{1}“ von „{2}“ in „{3}“ bei Verwendung des bereitgestellten Formats „{4}“

Fehler 0003

Eine Ausnahme tritt auf, wenn mindestens eine Eingabe NULL oder leer ist.

Sie erhalten diesen Fehler in Machine Learning, wenn eingaben oder Parameter für ein Modul null oder leer sind. Dieser Fehler kann z. B. auftreten, wenn Sie für einen Parameter keinen Wert eingegeben haben. Er kann auch auftreten, wenn Sie ein Dataset mit fehlenden Werten oder ein leeres Dataset ausgewählt haben.

Lösung:

• Öffnen Sie das Modul, das die Ausnahme ausgelöst hat, und überprüfen Sie, ob alle Eingaben angegeben wurden. Stellen Sie sicher, dass alle erforderlichen Eingaben vorgenommen wurden.
• Stellen Sie sicher, dass auf aus Azure-Speicher geladene Daten zugegriffen werden kann und sich der Kontoname oder Schlüssel nicht geändert hat.
• Überprüfen Sie die Eingabedaten auf fehlende oder NULL-Werte.
• Wenn Sie eine Abfrage für eine Datenquelle verwenden, überprüfen Sie, ob die Daten in dem von Ihnen erwarteten Format zurückgegeben werden.
• Überprüfen Sie, ob Tippfehler oder andere Änderungen in der Spezifikation der Daten vorliegen.

Ausnahmemeldungen
Mindestens eine Eingabe ist NULL oder leer
Eingabe „{0}“ ist null oder leer

Fehler 0004

Eine Ausnahme tritt auf, wenn der Parameter kleiner als oder gleich dem bestimmten Wert ist.

Sie erhalten diesen Fehler in Machine Learning, wenn der Parameter in der Nachricht unter einem Grenzwertwert liegt, der für das Modul zum Verarbeiten der Daten erforderlich ist.

Lösung: Rufen Sie das Modul erneut auf, und ändern Sie den Parameter so, dass er größer als der angegebene Wert ist.

Ausnahmemeldungen
Der Parameter muss größer als der Grenzwert sein
Der Wert des Parameters „{0}“ muss größer als {1} sein
Der Parameter „{0}“ besitzt den Wert „{1}“, der größer als {2} sein muss

Fehler 0005

Eine Ausnahme tritt auf, wenn der Parameter kleiner als ein bestimmter Wert ist.

Sie erhalten diesen Fehler in Machine Learning, wenn der Parameter in der Nachricht unter oder gleich einem Grenzwert ist, der für das Modul zum Verarbeiten der Daten erforderlich ist.

Lösung: Rufen Sie das Modul erneut auf, und ändern Sie den Parameter so, dass er größer als oder gleich dem angegebenen Wert ist.

Ausnahmemeldungen
Der Parameter muss größer als oder gleich dem Grenzwert sein
Der Parameterwert „{0}“ muss größer als oder gleich {1} sein
Der Parameter „{0}“ besitzt den Wert „{1}“, der größer als oder gleich {2} sein muss

Fehler 0006

Eine Ausnahme tritt auf, wenn der Parameter größer als oder gleich dem bestimmten Wert ist.

Sie erhalten diesen Fehler in Machine Learning, wenn der Parameter in der Nachricht größer oder gleich einem Grenzwertwert ist, der für das Modul zum Verarbeiten der Daten erforderlich ist.

Lösung: Rufen Sie das Modul erneut auf, und ändern Sie den Parameter so, dass er kleiner als der angegebene Wert ist.

Ausnahmemeldungen
Parameterkonflikt Einer der Parameter muss kleiner als ein anderer sein
Der Wert des Parameters „{0}“ muss kleiner sein als der Wert des Parameters „{1}“
Der Parameter „{0}“ besitzt den Wert „{1}“, der kleiner als {2} sein muss

Fehler 0007

Eine Ausnahme tritt auf, wenn der Parameter größer als ein bestimmter Wert ist.

Sie erhalten diesen Fehler in Machine Learning, wenn Sie in den Eigenschaften für das Modul einen Wert angegeben haben, der größer als zulässig ist. Sie können z. B. Daten angeben, die außerhalb des Bereichs der unterstützten Daten liegen, oder Sie können angeben, dass fünf Spalten verwendet werden, wenn nur drei Spalten verfügbar sind.

Dieser Fehler kann auch auftreten, wenn Sie zwei Datensätze angeben, die in gewisser Weise übereinstimmen müssen. Wenn Sie z. B. Spalten umbenennen und die Spalten nach Index angeben, muss die Anzahl der von Ihnen bereitgestellten Namen mit der Anzahl der Spaltenindizes übereinstimmen. Ein weiteres Beispiel wäre eine mathematische Operation, die zwei Spalten verwendet, wobei die Spalten dieselbe Anzahl von Zeilen aufweisen müssen.

Lösung:

• Öffnen Sie das betreffende Modul, und überprüfen Sie die Einstellungen der numerischen Eigenschaft.
• Stellen Sie sicher, dass alle Parameterwerte innerhalb des unterstützten Wertebereichs für diese Eigenschaft liegen.
• Wenn das Modul mehrere Eingaben übernimmt, stellen Sie sicher, dass die Eingaben dieselbe Größe aufweisen.
• Wenn das Modul mehrere Eigenschaften aufweist, die festgelegt werden können, stellen Sie sicher, dass verwandte Eigenschaften über entsprechende Werte verfügen. Wenn Sie beispielsweise Gruppendaten in Bins verwenden, wenn Sie die Option zum Angeben benutzerdefinierter Bin-Kanten verwenden, muss die Anzahl der Bins mit der Anzahl der Werte übereinstimmen, die Sie als Bin-Grenzen bereitstellen.
• Überprüfen Sie, ob sich das Dataset oder die Datenquelle geändert hat. Gelegentlich führt ein Wert, der mit einer früheren Version der Daten funktioniert hat, zu einem Fehler, nachdem sich die Anzahl der Spalten, die Datentypen der Spalte oder die Größe der Daten geändert hat.

Ausnahmemeldungen
Parameterkonflikt Einer der Parameter muss kleiner als oder gleich einem anderen Parameter sein
Der Wert des Parameters „{0}“ muss kleiner als oder gleich dem Wert des Parameters „{1}“ sein
Der Parameter „{0}“ besitzt den Wert „{1}“, der kleiner als oder gleich {2} sein muss

Fehler 0008

Eine Ausnahme tritt auf, wenn der Parameter nicht im Bereich liegt.

Sie erhalten diesen Fehler in Machine Learning, wenn der Parameter in der Nachricht außerhalb der Grenzen liegt, die für das Modul zum Verarbeiten der Daten erforderlich sind.

Dieser Fehler wird z. B. angezeigt, wenn Sie versuchen, mit Add Rows (Zeilen hinzufügen) zwei Datasets zu kombinieren, die eine unterschiedliche Anzahl von Spalten aufweisen.

Lösung: Rufen Sie das Modul erneut auf, und ändern Sie den Parameter so, dass er innerhalb des angegebenen Bereichs liegt.

Ausnahmemeldungen
Der Parameterwert liegt nicht im angegebenen Bereich
Der Parameterwert „{0}“ liegt nicht im Bereich.
Der Wert des Parameters „{0}“ muss im Bereich [{1}, {2}] liegen

Fehler 0009

Eine Ausnahme tritt auf, wenn der Name des Azure-Speicherkontos oder der Containername falsch angegeben wurde.

Dieser Fehler tritt in Machine Learning Studio (klassisch) auf, wenn Sie Parameter für ein Azure-Speicherkonto angeben, aber der Name oder das Kennwort kann nicht aufgelöst werden. Fehler bei Kennwörtern oder Kontonamen können viele Ursachen haben:

• Das Konto weist den falschen Typ auf. Einige neue Kontotypen werden für die Verwendung mit Machine Learning Studio (klassisch) nicht unterstützt. Weitere Informationen finden Sie unter Import Data (Daten importieren).
• Sie haben den falschen Kontonamen eingegeben.
• Das Konto ist nicht mehr vorhanden.
• Das Kennwort für das Speicherkonto ist falsch oder hat sich geändert.
• Sie haben den Containernamen nicht angegeben, oder der Container ist nicht vorhanden.
• Sie haben den Dateipfad (Pfad zum Blob) nicht vollständig angegeben.

Lösung:

Solche Probleme treten häufig auf, wenn Sie versuchen, den Kontonamen, das Passwort oder den Containerpfad manuell einzugeben. Es wird empfohlen, den neuen Assistenten für das Modul Import Data (Daten importieren) zu verwenden, der Ihnen beim Suchen und Überprüfen von Namen hilft.

Überprüfen Sie auch, ob Konto, Container oder Blob gelöscht wurde. Verwenden Sie ein anderes Azure-Speicherhilfsprogramm, um sicherzustellen, dass Kontoname und Kennwort ordnungsgemäß eingegeben wurden und der Container vorhanden ist.

Einige neuere Kontotypen werden von Machine Learning nicht unterstützt. Die neuen Speichertypen „hot“ (heiß) oder „cold“ (kalt) können z. B. nicht für maschinelles Lernen verwendet werden. Sowohl klassische als auch universelle Speicherkonten funktionieren einwandfrei.

Wenn der vollständige Pfad zu einem Blob angegeben wurde, vergewissern Sie sich, dass der Pfad das Format Container/Blobname aufweist und sowohl Container als auch Blob im Konto vorhanden sind.

Der Pfad darf keinen führenden Schrägstrich enthalten. Beispiel: /Container/Blob ist falsch und muss als Container/Blob eingegeben werden.

Ressourcen

In diesem Artikel finden Sie eine Erläuterung der verschiedenen Speicheroptionen, die unterstützt werden: Importieren von Daten in Machine Learning Studio (klassisch) aus verschiedenen Onlinedatenquellen mit dem Importdatenmodul

Beispielexperimente

Sehen Sie sich diese Experimente im Cortana Intelligence Gallery an, um Beispiele für die Verbindung mit verschiedenen Datenquellen zu finden:

• Eingabedaten aus verschiedenen Quellen: Dieses Labor bietet einen visuellen Leitfaden für die Verwendung vieler azure ML Datenquellen: AzureML-Experimente und Dateninteraktion

• Azure Cosmos DB: Lesen von Daten aus Azure Cosmos DB in Machine Learning

• Importieren sie andernfalls unlesbare Daten mithilfe von Python: Laden sie nicht-Textdatei aus azure Blob-Speicher

Ausnahmemeldungen
Der Name des Azure-Speicherkontos oder des Containers ist falsch.
Der Name des Azure-Speicherkontos „{0}“oder des Containers „{1}“ ist falsch. Es wird ein Containername im Format „Container/Blob“ erwartet.

Fehler 0010

Eine Ausnahme tritt auf, wenn Eingabedatasets übereinstimmende Spaltennamen aufweisen sollten, dies aber nicht der Fall ist.

Sie erhalten diesen Fehler in Machine Learning, wenn der Spaltenindex in der Nachricht unterschiedliche Spaltennamen in den beiden Eingabedatensätzen aufweist.

Lösung: Verwenden Sie Edit Metadata (Metadaten bearbeiten), oder ändern Sie das ursprüngliche Dataset, um denselben Spaltennamen für den angegebenen Spaltenindex zu erhalten.

Ausnahmemeldungen
Spalten mit entsprechendem Index in Eingabedatasets weisen unterschiedliche Namen auf.
Die Spaltennamen sind für die Spalte {0} (nullbasiert) der Eingabedatasets ({1} und {2}) nicht identisch.

Fehler 0011

Eine Ausnahme tritt auf, wenn das übergebene Spaltensatzargument nicht für eine der Datasetspalten gilt.

Sie erhalten diesen Fehler in Machine Learning, wenn die angegebene Spaltenauswahl keine der Spalten im angegebenen Dataset entspricht.

Sie können diesen Fehler auch erhalten, wenn Sie keine Spalte ausgewählt haben und mindestens eine Spalte erforderlich ist, damit das Modul funktioniert.

Lösung: Ändern Sie die Spaltenauswahl im Modul so, dass sie auf die Spalten im Dataset angewendet wird.

Wenn das Modul die Auswahl einer bestimmten Spalte erfordert, z. B. eine Bezeichnungsspalte, vergewissern Sie sich, dass die richtige Spalte ausgewählt ist.

Wenn nicht geeignete Spalten ausgewählt sind, entfernen Sie diese, und führen Sie das Experiment erneut durch.

Ausnahmemeldungen
Der angegebene Spaltensatz gilt für keine der Datasetspalten.
Der angegebene Spaltensatz „{0}“ gilt für keine der Datasetspalten.

Fehler 0012

Eine Ausnahme tritt auf, wenn die Instanz der Klasse nicht mit dem übergebenen Satz von Argumenten erstellt werden konnte.

Lösung: Dieser Fehler ist für den Benutzer nicht umsetzbar und wird in einem zukünftigen Release veraltet sein.

Ausnahmemeldungen
Nicht trainiertes Modell, zuerst Modell trainieren.
Nicht trainiertes Modell ({0}), trainiertes Modell verwenden.

Fehler 0013

Eine Ausnahme tritt auf, wenn der an das Modul übergebene Learner ein ungültiger Typ ist.

Dieser Fehler tritt auf, wenn ein trainiertes Modell mit dem angeschlossenen Bewertungsmodul nicht kompatibel ist. Wenn Sie beispielsweise die Ausgabe von Train Matchbox Recommender mit Score Model (anstelle von Score Matchbox Recommender) verbinden, wird dieser Fehler generiert, wenn das Experiment ausgeführt wird.

Lösung:

Bestimmen Sie den Typ des Learner, der vom Trainingsmodul erzeugt wird, und bestimmen Sie das für den Learner geeignete Bewertungsmodul.

Wenn das Modell mit einem der speziellen Trainingsmodule trainiert wurde, verbinden Sie das trainierte Modell nur mit dem entsprechenden spezialisierten Bewertungsmodul.

Modelltyp	Trainingsmodul	Bewertungsmodul
Alle Klassifizierer	Train Model or Tune Model Hyperparameters	Score Model (Modell bewerten)
Alle Regressionsmodelle	Train Model or Tune Model Hyperparameters	Score Model (Modell bewerten)
Clusteringmodelle	Train Clustering Model (Clusteringmodell trainieren) oder Sweep Clustering (Sweepclustering)	Assign Data to Clusters (Zuweisen von Daten zu Clustern)
Anomalieerkennung – Einklassige SVM	Train Anomaly Detection Model (Anomalieerkennungsmodell trainieren)	Score Model (Modell bewerten)
Anomalieerkennung – PCA	Train Model or Tune Model Hyperparameters	Scoremodell Einige zusätzliche Schritte sind erforderlich, um das Modell zu bewerten.
Anomalieerkennung – Zeitreihen	Time Series Anomaly Detection (Anomalieerkennung in Zeitreihen)	Das Modell wird mit Daten trainiert und generiert Bewertungen. Das Modul erstellt keinen trainierten Learner und es ist keine zusätzliche Bewertung erforderlich.
Empfehlungsmodell	Train Matchbox Recommender (Matchbox Recommender trainieren)	Score Matchbox Recommender (Matchbox Recommender bewerten)
Bildklassifizierung	Pretrained Cascade Image Classification (Vortrainierte Kaskadenbildklassifizierung)	Score Model (Modell bewerten)
Vowpal Wabbit-Modelle	Train Vowpal Wabbit Version 7-4 Model (Vowpal Wabbit-Modelle der Version 7-4 trainieren)	Score Vowpal Wabbit Version 7-4 Model (Vowpal Wabbit-Modelle der Version 7-4 bewerten)
Vowpal Wabbit-Modelle	Train Vowpal Wabbit Version 7-10 Model (Vowpal Wabbit-Modelle der Version 7-10 trainieren)	Score Vowpal Wabbit Version 7-10 Model (Vowpal Wabbit-Modelle der Version 7-10 bewerten)
Vowpal Wabbit-Modelle	Train Vowpal Wabbit Version 8 Model (Vowpal Wabbit-Modelle der Version 8 trainieren)	Score Vowpal Wabbit Version 8 Model (Vowpal Wabbit-Modelle der Version 8 bewerten)

Ausnahmemeldungen
Learner mit ungültigem Typ wird übergeben.
Der Learner „{0}“ weist einen ungültigen Typ auf.

Fehler 0014

Eine Ausnahme tritt auf, wenn die Anzahl der in der Spalte eindeutigen Werte größer als der zulässige Wert ist.

Dieser Fehler tritt auf, wenn eine Spalte zu viele eindeutige Werte enthält. Dieser Fehler kann z. B. auftreten, wenn Sie angeben, dass eine Spalte als kategorische Daten behandelt wird, aber es zu viele eindeutige Werte in der Spalte gibt, als dass die Verarbeitung abgeschlossen werden kann. Dieser Fehler kann auch auftreten, wenn die Anzahl der eindeutigen Werte bei zwei Eingaben nicht übereinstimmt.

Lösung:

Öffnen Sie das Modul, das den Fehler generiert hat, und identifizieren Sie die als Eingaben verwendeten Spalten. Bei einigen Modulen können Sie mit der rechten Maustaste auf die Dataseteingabe klicken und Visualize (Visualisieren) auswählen, um Statistiken zu einzelnen Spalten zu erhalten, einschließlich der Anzahl der eindeutigen Werte und deren Verteilung.

Für Spalten, die Sie für die Gruppierung oder Kategorisierung verwenden möchten, führen Sie entsprechende Schritte durch, um die Anzahl der eindeutigen Werte in den Spalten zu reduzieren. Je nach Datentyp der Spalte kann die Reduzierung auf unterschiedliche Weise erfolgen.

• Für Textdaten können Sie möglicherweise Vorverarbeitungstext verwenden, um ähnliche Einträge zu reduzieren.
• Für numerische Daten können Sie eine kleinere Anzahl von Bins mithilfe von Gruppendaten in Bins erstellen, Werte mithilfe von Clip-Werten entfernen oder abschneiden oder maschinelle Lernmethoden wie Prinzipalkomponentenanalyse oder Learning mit Anzahl verwenden, um die Dimension der Daten zu verringern.

Tipp

Sie können keine zu Ihrem Szenario passende Lösung finden? Sie können Feedback zu diesem Thema bereitstellen, das den Namen des Moduls, das den Fehler generiert hat, sowie den Datentyp und die Kardinalität der Spalte enthält. Wir werden diese Informationen verwenden, um besser auf das Ziel ausgerichtete Schritte zur Problembehandlung für gängige Szenarien bereitzustellen.

Ausnahmemeldungen
Die Anzahl der in der Spalte eindeutigen Werte ist größer als der zulässige Wert.
Die Anzahl der eindeutigen Werte in der Spalte: „{0}“ überschreitet die Tupelanzahl von {1}.

Fehler 0015

Eine Ausnahme tritt auf, wenn bei der Datenbankverbindung ein Fehler aufgetreten ist.

Sie erhalten diesen Fehler, wenn Sie einen falschen SQL-Kontonamen, ein falsches Kennwort, einen falschen Datenbankserver oder Datenbanknamen eingeben oder wenn eine Verbindung mit der Datenbank aufgrund von Problemen mit der Datenbank oder dem Server nicht hergestellt werden kann.

Lösung: Vergewissern Sie sich, dass Kontoname, Kennwort, Datenbankserver und Datenbank ordnungsgemäß eingegeben wurden und dass das angegebene Konto über die richtige Berechtigungsebene verfügt. Überprüfen Sie, ob auf die Datenbank derzeit zugegriffen werden kann.

Ausnahmemeldungen
Fehler beim Herstellen der Datenbankverbindung.
Fehler beim Herstellen der Datenbankverbindung: {0}.

Fehler 0016

Eine Ausnahme tritt auf, wenn an das Modul übergebene Eingabedatasets kompatible Spaltentypen aufweisen sollten, dies aber nicht der Fall ist.

Sie erhalten diesen Fehler in Machine Learning, wenn die Typen der in zwei oder mehr Datasets übergebenen Spalten nicht miteinander kompatibel sind.

Auflösung: Verwenden Sie Metadaten bearbeiten, den ursprünglichen Eingabedatensatz ändern oder zum Konvertieren in Dataset verwenden, um sicherzustellen, dass die Typen der Spalten kompatibel sind.

Ausnahmemeldungen
Spalten mit entsprechendem Index in Eingabedatasets weisen nicht kompatible Typen auf.
Die Spalten {0} und {1} sind nicht kompatibel.
Die Spaltenelementtypen sind für die Spalte {0} (nullbasiert) der Eingabedatasets ({1} und {2}) nicht kompatibel.

Fehler 0017

Eine Ausnahme tritt auf, wenn eine ausgewählte Spalte einen Datentyp verwendet, der vom aktuellen Modul nicht unterstützt wird.

Sie können beispielsweise diesen Fehler in Machine Learning erhalten, wenn die Spaltenauswahl eine Spalte mit einem Datentyp enthält, der nicht vom Modul verarbeitet werden kann, z. B. eine Zeichenfolgenspalte für einen mathematischen Vorgang oder eine Scorespalte, in der eine kategorisierte Featurespalte erforderlich ist.

Lösung:

1. Identifizieren Sie die fehlerhafte Spalte.
2. Überprüfen Sie die Anforderungen des Moduls.
3. Ändern Sie die Spalte so, dass sie den Anforderungen entspricht. Möglicherweise müssen Sie mehrere der folgenden Module verwenden, um Änderungen je nach versuchter Spalte und Konvertierung vorzunehmen:
   • Verwenden Sie Edit Metadata (Metadaten bearbeiten), um den Datentyp von Spalten oder die Spaltenverwendung von „feature“ zu „numerisch“, „kategorisch“ zu „nicht kategorisch“ usw. zu ändern.
   • Verwenden Sie "Konvertieren in Dataset", um sicherzustellen, dass alle enthaltenen Spalten Datentypen verwenden, die von Machine Learning unterstützt werden. Wenn Sie die Spalten nicht konvertieren können, sollten Sie sie aus dem Eingabedatensatz entfernen.
   • Verwenden Sie die "Apply SQL Transformation" oder "Execute R Script"-Module, um Spalten zu casten oder zu konvertieren, die nicht mithilfe von Metadaten geändert werden können. Diese Module bieten mehr Flexibilität für die Arbeit mit Datumszeit-Datentypen.
   • Für numerische Datentypen können Sie das Modul "Mathematischer Vorgang anwenden " verwenden, um Werte zu runden oder abgeschnitten zu haben, oder verwenden Sie das Clip Values-Modul , um Werte außerhalb des Bereichs zu entfernen.
4. Als letztes Mittel kann es sein, dass Sie das ursprüngliche Eingabedataset ändern müssen.

Tipp

Sie können keine zu Ihrem Szenario passende Lösung finden? Sie können Feedback zu diesem Thema bereitstellen, das den Namen des Moduls, das den Fehler generiert hat, sowie den Datentyp und die Kardinalität der Spalte enthält. Wir werden diese Informationen verwenden, um besser auf das Ziel ausgerichtete Schritte zur Problembehandlung für gängige Szenarien bereitzustellen.

Ausnahmemeldungen
Die Spalte mit dem aktuellen Typ kann nicht verarbeitet werden. Der Typ wird vom Modul nicht unterstützt.
Die Spalte vom Typ {0} kann nicht verarbeitet werden. Der Typ wird vom Modul nicht unterstützt.
Die Spalte „{1}“ vom Typ {0} kann nicht verarbeitet werden. Der Typ wird vom Modul nicht unterstützt.
Die Spalte „{1}“ vom Typ {0} kann nicht verarbeitet werden. Der Typ wird vom Modul nicht unterstützt. Parametername: {2}

Fehler 0018

Eine Ausnahme tritt auf, wenn das Eingabedataset nicht gültig ist.

Auflösung: Dieser Fehler in Machine Learning kann in vielen Kontexten angezeigt werden, sodass keine einzige Auflösung vorhanden ist. Im Allgemeinen zeigt der Fehler an, dass die als Eingabe für ein Modul bereitgestellten Daten die falsche Anzahl von Spalten aufweisen oder dass der Datentyp nicht den Anforderungen des Moduls entspricht. Beispiel:

• Das Modul erfordert eine Bezeichnungsspalte, aber keine Spalte ist als Bezeichnung gekennzeichnet, oder Sie haben noch keine Bezeichnungsspalte ausgewählt.

• Das Modul erfordert kategorische Daten, aber Ihre Daten sind numerisch.

• Das Modul erfordert einen bestimmten Datentyp. Beispielsweise können Bewertungen, die für "Train Matchbox Recommender " bereitgestellt werden, entweder numerische oder kategorisiert sein, aber keine Gleitkommanummern sein.

• Die Daten weisen nicht das richtige Format auf.

• Importierte Daten enthalten ungültige Zeichen, ungültige oder außerhalb des Bereichs liegende Werte.

• Die Spalte ist leer oder enthält zu viele fehlende Werte.

Lesen Sie das Hilfethema zum Modul, das das Dataset als Eingabe verwenden soll, um die Anforderungen zu ermitteln.

Außerdem wird empfohlen, Daten zusammenzufassenoder Grundlegende Statistiken zu berechnen, um Ihre Daten zu profilieren und diese Module zum Beheben von Metadaten und sauberen Werten zu verwenden: Bearbeiten von Metadaten, Clean Missing Data, Clip Values.

Ausnahmemeldungen
Das Dataset ist ungültig.
{0} enthält ungültige Daten.
{0} und {1} sollten in Bezug auf die Spalte konsistent sein.

Fehler 0019

Eine Ausnahme tritt auf, wenn die Spalte sortierte Werte enthalten soll, aber das nicht der Fall ist.

Sie erhalten diesen Fehler in Machine Learning, wenn die angegebenen Spaltenwerte nicht sortiert sind.

Lösung: Sortieren Sie die Spaltenwerte, indem Sie das Eingabedataset manuell ändern und das Modul erneut ausführen.

Ausnahmemeldungen
Die Werte in der Spalte sind nicht sortiert.
Die Werte in der Spalte „{0}“ sind nicht sortiert.
Die Werte in der Spalte „{0}“ von Dataset „{1}“ sind nicht sortiert.

Fehler 0020

Eine Ausnahme tritt auf, wenn die Anzahl der Spalten in einigen der an das Modul übergebenen Datasets zu klein ist.

Sie erhalten diesen Fehler in Machine Learning, wenn für ein Modul nicht genügend Spalten ausgewählt wurden.

Lösung: Rufen Sie das Modul erneut auf, und stellen Sie sicher, dass der Spaltenselektor die richtige Anzahl von Spalten ausgewählt hat.

Ausnahmemeldungen
Die Anzahl der Spalten im Eingabedataset ist kleiner als der zulässige Mindestwert.
Die Anzahl der Spalten im Eingabedataset ist kleiner als der zulässige Mindestwert von {0} Spalte(n).
Die Anzahl der Spalten im Eingabedataset „{0}“ ist kleiner als der zulässige Mindestwert von {1} Spalte(n).

Fehler 0021

Eine Ausnahme tritt auf, wenn die Anzahl der Zeilen in einigen der an das Modul übergebenen Datasets zu klein ist.

Dieser Fehler in Machine Learning, wenn nicht genügend Zeilen im Dataset vorhanden sind, um den angegebenen Vorgang auszuführen. Dieser Fehler kann z. B. auftreten, wenn das Eingabedataset leer ist oder wenn Sie versuchen, eine Operation auszuführen, die eine Mindestanzahl von Zeilen erfordert, um gültig zu sein. Derartige Operationen können die Gruppierung oder Klassifizierung auf der Grundlage statistischer Methoden, bestimmter Arten der Quantisierung und des Lernens durch Anzahl umfassen (sind aber nicht darauf beschränkt).

Lösung:

• Öffnen Sie das Modul, das den Fehler zurückgegeben hat, und überprüfen Sie das Eingabedataset und die Moduleigenschaften.
• Überprüfen Sie, ob das Eingabedataset nicht leer ist und ob genügend Datenzeilen vorhanden sind, um die in der Modulhilfe beschriebenen Anforderungen zu erfüllen.
• Wenn Ihre Daten aus einer externen Quelle geladen werden, stellen Sie sicher, dass die Datenquelle verfügbar ist und dass keine Fehler oder Änderungen in der Datendefinition vorliegen, die dazu führen würden, dass der Importvorgang weniger Zeilen erhält.
• Wenn Sie eine Operation mit den dem Modul vorgelagerten Daten durchführen, die sich auf den Typ der Daten oder die Anzahl der Werte auswirken könnte, z. B. Operationen zur Bereinigung, Aufteilung oder Verknüpfung, überprüfen Sie die Ausgaben dieser Operationen, um die Anzahl der zurückgegebenen Zeilen zu ermitteln.

Fehler 0022

Eine Ausnahme tritt auf, wenn die Anzahl der ausgewählten Spalten im Eingabedataset nicht mit der erwarteten Anzahl übereinstimmt.

Dieser Fehler in Machine Learning kann auftreten, wenn das nachgelagerte Modul oder der Vorgang eine bestimmte Anzahl von Spalten oder Eingaben erfordert, und Sie haben zu wenige oder zu viele Spalten oder Eingaben bereitgestellt. Beispiel:

• Sie geben eine einzelne Bezeichnungsspalte oder Schlüsselspalte an und haben versehentlich mehrere Spalten ausgewählt.

• Sie benennen Spalten um, haben aber mehr oder weniger Namen bereitgestellt, als Spalten vorhanden sind.

• Die Anzahl der Spalten in der Quelle oder im Ziel hat sich geändert oder stimmt nicht mit der Anzahl der vom Modul verwendeten Spalten überein.

• Sie haben eine durch Kommas getrennte Liste von Werten für Eingaben angegeben, aber die Anzahl der Werte stimmt nicht überein, oder mehrere Eingaben werden nicht unterstützt.

Lösung: Rufen Sie das Modul erneut auf, und überprüfen Sie die Spaltenauswahl, um sicherzustellen, dass die richtige Anzahl von Spalten ausgewählt ist. Überprüfen Sie die Ergebnisse der Upstream-Module und die Anforderungen der Downstream-Operationen.

Wenn Sie eine der Spaltenauswahloptionen verwendet haben, die mehrere Spalten auswählen kann (Spaltenindizes, alle Features, alle numerisch usw.), überprüfen Sie die genaue Anzahl der von der Auswahl zurückgegebenen Spalten.

Wenn Sie versuchen, eine kommatrennte Liste von Datasets als Eingaben für Zipped-Datasets anzugeben, entpacken Sie nur ein Dataset gleichzeitig. Mehrere Eingaben werden nicht unterstützt.

Stellen Sie sicher, dass sich die Anzahl oder der Typ der Upstream-Spalten nicht geändert hat.

Wenn Sie zum Trainieren eines Modells ein Empfehlungsdataset verwenden, denken Sie daran, dass der Empfehlende eine begrenzte Anzahl von Spalten erwartet, die den Benutzer-Element-Paaren oder Benutzer-Element-Rangfolgen entspricht. Entfernen Sie zusätzliche Spalten, bevor Sie das Modell trainieren oder Empfehlungsdatasets aufteilen. Weitere Informationen finden Sie unter Split Data (Daten aufteilen).

Ausnahmemeldungen
Die Anzahl der ausgewählten Spalten im Eingabedataset stimmt nicht mit der erwarteten Anzahl überein.
Die Anzahl der ausgewählten Spalten im Eingabedataset entspricht nicht {0}.
Das Spaltenauswahlmuster „{0}“ liefert die Anzahl der ausgewählten Spalten im Eingabedataset, die nicht {1} entspricht.
Das Spaltenauswahlmuster „{0}“ sollte {1} Spalten bereitstellen, die im Eingabedataset ausgewählt wurden, aber {2} Spalte(n) wird/werden bereitgestellt.

Fehler 0023

Eine Ausnahme tritt auf, wenn die Zielspalte des Eingabedatasets für das aktuelle Trainermodul nicht gültig ist.

Dieser Fehler in Machine Learning tritt auf, wenn die Zielspalte (wie in den Modulparametern ausgewählt) nicht des gültigen Datentyps ist, alle fehlenden Werte enthalten oder nicht wie erwartet kategorisiert war.

Lösung: Rufen Sie die Moduleingabe erneut auf, um den Inhalt der Bezeichnungs-/Zielspalte zu untersuchen. Stellen Sie sicher, dass sie nicht alle fehlenden Werte enthält. Wenn das Modul eine kategorische Zielspalte erwartet, stellen Sie sicher, dass es mehr als einen eindeutigen Wert in der Zielspalte gibt.

Ausnahmemeldungen
Das Eingabedataset enthält eine nicht unterstützte Zielspalte.
Das Eingabedataset enthält die nicht unterstützte Zielspalte „{0}“.
Das Eingabedataset enthält die nicht unterstützte Zielspalte „{0}“ für Learner des Typs {1}.

Fehler 0024

Eine Ausnahme tritt auf, wenn das Dataset keine Bezeichnungsspalte enthält.

Dieser Fehler in Machine Learning tritt auf, wenn das Modul eine Bezeichnungsspalte erfordert, und das Dataset verfügt nicht über eine Bezeichnungsspalte. Die Auswertung eines bewerteten Datasets erfordert z. B. in der Regel, dass eine Bezeichnungsspalte vorhanden ist, um die Genauigkeitsmetriken zu berechnen.

Es kann auch passieren, dass eine Beschriftungsspalte im Dataset vorhanden ist, aber nicht ordnungsgemäß durch Machine Learning erkannt wird.

Lösung:

• Öffnen Sie das Modul, das den Fehler generiert hat, und ermitteln Sie, ob eine Bezeichnungsspalte vorhanden ist. Der Name oder Datentyp der Spalte ist unerheblich, solange die Spalte ein einzelnes Ergebnis (oder eine abhängige Variable) enthält, das Sie vorherzusagen versuchen. Wenn Sie sich nicht sicher sind, welche Spalte die Bezeichnung aufweist, suchen Sie nach einem generischen Namen wie Class (Klasse) oder Target (Ziel).
• Wenn das Dataset keine Bezeichnungsspalte enthält, ist es möglich, dass die Bezeichnungsspalte explizit oder versehentlich an einer Upstream-Position entfernt wurde. Es ist auch möglich, dass das Dataset nicht die Ausgabe eines Upstream-Bewertungsmoduls ist.
• Um die Spalte explizit als Bezeichnungsspalte zu markieren, fügen Sie das Modul Edit Metadata (Metadaten bearbeiten) hinzu und verbinden Sie das Dataset. Wählen Sie nur die Bezeichnungsspalte und anschließend Label (Bezeichnung) aus der Dropdownliste Fields (Felder) aus.
• Wenn die falsche Spalte als Bezeichnung ausgewählt wurde, können Sie Clear label (Bezeichnung löschen) aus Fields (Felder) auswählen, um die Metadaten in der Spalte zu korrigieren.

Ausnahmemeldungen
Es befindet sich keine Bezeichnungsspalte im Dataset.
Es befindet sich keine Bezeichnungsspalte in „{0}“.

Fehler 0025

Eine Ausnahme tritt auf, wenn das Dataset keine Bewertungsspalte enthält.

Dieser Fehler in Machine Learning tritt auf, wenn die Eingabe zum Auswertungsmodell keine gültigen Scorespalten enthält. Der Benutzer versucht z. B., ein Dataset auszuwerten, bevor es mit einem ordnungsgemäß trainierten Modell bewertet wurde, oder die Bewertungsspalte wurde explizit an einer Upstream-Position gelöscht. Diese Ausnahme tritt auch auf, wenn die Bewertungsspalten der beiden Datasets nicht kompatibel sind. Sie könnten z. B. versuchen, die Genauigkeit eines linearen Regressors mit der eines binären Klassifizierers zu vergleichen.

Lösung: Rufen Sie die Eingabe für das Bewertungsmodell erneut auf und prüfen Sie, ob sie eine oder mehrere Bewertungsspalten enthalten. Andernfalls wurde das Dataset nicht bewertet oder die Bewertungsspalten wurden in einem Upstream-Modul gelöscht.

Ausnahmemeldungen
Es befindet sich keine Bewertungsspalte im Dataset.
Es befindet sich keine Bewertungsspalte in „{0}“.
Es gibt keine Bewertungsspalte in „{0}“, die von „{1}“ erzeugt wurde. Bewerten Sie das Dataset mit dem richtigen Learnertyp.

Fehler 0026

Eine Ausnahme tritt auf, wenn Spalten mit demselben Namen nicht zulässig sind.

Dieser Fehler in Machine Learning tritt auf, wenn mehrere Spalten denselben Namen haben. Sie können diesen Fehler z. B. erhalten, wenn das Dataset keine Kopfzeile hat und die Spaltennamen automatisch vergeben werden: Col0, Col1, usw.

Lösung: Wenn Spalten denselben Namen aufweisen, fügen Sie ein Edit Metadata-Modul (Metadaten bearbeiten) zwischen dem Eingabedataset und dem Modul ein. Verwenden Sie den Spaltenselektor in Edit Metadata (Metadaten bearbeiten), um die umzubenennenden Spalten auszuwählen, indem Sie die neuen Namen in das Textfeld New column names (Neue Spaltennamen) eingeben.

Ausnahmemeldungen
Gleiche Spaltennamen werden in Argumenten angegeben. Gleiche Spaltennamen sind im Modul nicht zulässig.
Gleiche Spaltennamen in den Argumenten „{0}“ und „{1}“ sind nicht zulässig. Geben Sie unterschiedliche Namen an.

Fehler 0027

Eine Ausnahme tritt auf, wenn zwei Objekte dieselbe Größe aufweisen müssen, dies aber nicht der Fall ist.

Dies ist ein gängiger Fehler in Machine Learning und kann durch viele Bedingungen verursacht werden.

Lösung: Es gibt keine bestimmte Lösung. Sie können jedoch auf Bedingungen wie die folgenden prüfen:

• Wenn Sie Spalten umbenennen, stellen Sie sicher, dass jede Liste (die Eingabespalten und die Liste der neuen Namen) dieselbe Anzahl von Einträgen enthält.

• Wenn Sie zwei Datasets verknüpfen oder verketten, stellen Sie sicher, dass sie dasselbe Schema aufweisen.

• Wenn Sie zwei Datasets mit mehreren Spalten verknüpfen, stellen Sie sicher, dass die Schlüsselspalten denselben Datentyp aufweisen, und wählen Sie die Option Allow duplicates and preserve column order in selection (Duplikate zulassen und Spaltenreihenfolge in der Auswahl beibehalten) aus.

Ausnahmemeldungen
Die Größe der übergebenen Objekte ist inkonsistent.
Die Größe von „{0}“ stimmt nicht mit der Größe von „{1}“ überein.

Fehler 0028

Eine Ausnahme tritt auf, wenn der Spaltensatz doppelte Spaltennamen enthält und dies nicht zulässig ist.

Dieser Fehler in Machine Learning tritt auf, wenn Spaltennamen dupliziert werden; das heißt, nicht eindeutig.

Lösung: Wenn eine Spalte denselben Namen hat, fügen Sie eine Instanz von Edit Metadata (Metadaten bearbeiten) zwischen dem Eingabedataset und dem Modul hinzu, das den Fehler auslöst. Verwenden Sie den Spaltenselektor in Edit Metadata (Metadaten bearbeiten), um die umzubenennenden Spalten auszuwählen, und geben Sie die neuen Spaltennamen in das Textfeld New column names (Neue Spaltennamen) ein. Wenn Sie mehrere Spalten umbenennen, stellen Sie sicher, dass die Werte, die Sie in New column names (Neue Spaltennamen) eingeben, eindeutig sind.

Ausnahmemeldungen
Der Spaltensatz enthält doppelte Spaltennamen.
Der Name „{0}“ ist doppelt vorhanden.
Der Name „{0}“ ist in „{1}“ doppelt vorhanden.

Fehler 0029

Eine Ausnahme tritt auf, wenn eine ungültige URI übergeben wird.

Dieser Fehler in Machine Learning tritt auf, wenn ungültiger URI übergeben wird. Sie erhalten diesen Fehler, wenn eine der folgenden Bedingungen erfüllt ist: , oder.

• Der für Azure Blob Storage zum Lesen oder Schreiben bereitgestellte Public- oder SAS-URI enthält einen Fehler.

• Das Zeitfenster für die SAS ist abgelaufen.

• Die Web-URL via HTTP-Quelle stellt eine Datei oder einen Loopback-URI dar.

• Die Web-URL via HTTP enthält eine falsch formatierte URL.

• Die URL kann von der Remotequelle nicht aufgelöst werden.

Lösung: Rufen Sie das Modul erneut auf, und überprüfen Sie das Format des URI. Wenn die Datenquelle eine Web-URL via HTTP ist, stellen Sie sicher, dass es sich bei der vorgesehenen Quelle nicht um eine Datei oder einen Loopback-URI (localhost) handelt.

Ausnahmemeldungen
Es wird ein ungültiger URI übergeben.

Fehler 0030

Eine Ausnahme tritt auf, wenn eine Datei nicht heruntergeladen werden konnte.

Diese Ausnahme in Machine Learning tritt auf, wenn es nicht möglich ist, eine Datei herunterzuladen. Sie erhalten diese Ausnahme, wenn beim Leseversuch von einer HTTP-Quelle nach drei (3) Wiederholungsversuchen ein Fehler aufgetreten ist.

Lösung: Überprüfen Sie, ob der URI zur HTTP-Quelle richtig ist und ob derzeit über das Internet auf die Website zugegriffen werden kann.

Ausnahmemeldungen
Eine Datei konnte nicht heruntergeladen werden.
Fehler beim Herunterladen der Datei: {0}.

Fehler 0031

Eine Ausnahme tritt auf, wenn die Anzahl der Spalten im Spaltensatz kleiner als erforderlich ist.

Dieser Fehler in Machine Learning tritt auf, wenn die Anzahl der ausgewählten Spalten kleiner als erforderlich ist. Sie erhalten diesen Fehler, wenn nicht die minimal erforderliche Anzahl von Spalten ausgewählt ist.

Lösung: Fügen Sie der Spaltenauswahl zusätzliche Spalten hinzu, indem Sie den Spaltenselektor verwenden.

Ausnahmemeldungen
Die Anzahl der Spalten im Spaltensatz ist kleiner als erforderlich.
{0} Spalte(n) muss (müssen) angegeben werden. Die tatsächliche Anzahl der angegebenen Spalten ist {1}.

Fehler 0032

Eine Ausnahme tritt auf, wenn das Argument keine Zahl ist.

Dieser Fehler wird in Machine Learning angezeigt, wenn es sich bei dem Argument um ein Doppel- oder NaN-Argument handelt.

Lösung: Ändern Sie das angegebene Argument, um einen gültigen Wert zu verwenden.

Ausnahmemeldungen
Das Argument ist keine Zahl.
„{0}“ ist keine Zahl.

Fehler 0033

Eine Ausnahme tritt auf, wenn das Argument „Infinity“ (Unendlich) ist.

Dieser Fehler in Machine Learning tritt auf, wenn das Argument unendlich ist. Sie erhalten diesen Fehler, wenn das Argument entweder double.NegativeInfinity oder double.PositiveInfinity ist.

Lösung: Ändern Sie das angegebene Argument, um einen gültigen Wert zu erhalten.

Ausnahmemeldungen
Das Argument muss endlich sein.
„{0}“ ist nicht endlich.

Fehler 0034

Eine Ausnahme tritt auf, wenn mehr als eine Bewertung für ein bestimmtes Benutzer-Element-Paar vorhanden ist.

Dieser Fehler in Machine Learning tritt in Empfehlung auf, wenn ein Benutzerelementpaar mehr als einen Bewertungswert aufweist.

Lösung: Stellen Sie sicher, dass das Benutzer-Element-Paar nur einen Bewertungswert besitzt.

Ausnahmemeldungen
Für die Werte im Dataset sind mehrere Bewertungen vorhanden.
Es sind mehrere Bewertungen für den Benutzer {0} und das Element {1} in der Datentabelle der Bewertungsvorhersage enthalten.

Fehler 0035

Eine Ausnahme tritt auf, wenn für einen bestimmten Benutzer oder ein bestimmtes Element keine Features bereitgestellt wurden.

Dieser Fehler in Machine Learning tritt auf, wenn Sie versuchen, ein Empfehlungsmodell für die Bewertung zu verwenden, aber ein Featurevektor kann nicht gefunden werden.

Lösung:

Der Matchbox Recommender hat bestimmte Anforderungen, die erfüllt werden müssen, wenn Sie entweder Element- oder Benutzerfeatures verwenden. Dieser Fehler zeigt an, dass für einen von Ihnen als Eingabe bereitgestellten Benutzer oder für ein Element ein Featurevektor fehlt. Sie müssen sicherstellen, dass für jeden Benutzer oder jedes Element ein Vektor von Features in den Daten vorhanden ist.

Wenn Sie z. B. ein Empfehlungsmodell mit Features wie Alter, Standort oder Einkommen des Benutzers trainiert haben, jetzt aber Ergebnisse für neue Benutzer erstellen möchten, die während des Trainings nicht angezeigt wurden, müssen Sie einige gleichwertige Features (d. h. Werte für Alter, Standort und Einkommen) für die neuen Benutzer bereitstellen, um entsprechende Vorhersagen für sie treffen zu können.

Wenn Sie für diese Benutzer über keine Features verfügen, sollten Sie die Featureentwicklung in Betracht ziehen, um entsprechende Features zu generieren. Wenn Sie z. B. nicht über individuelle Alters- oder Einkommenswerte verfügen, können Sie ungefähre Werte generieren, die Sie für eine Gruppe von Benutzern verwenden können.

Wenn Sie aus einem Empfehlungsmodus bewerten, können Sie Elemente oder Benutzerfeatures nur verwenden, wenn Sie zuvor Elemente oder Benutzerfeatures während der Schulung verwendet haben. Weitere Informationen finden Sie unter Score Matchbox Recommender.

Allgemeine Informationen zur Funktionsweise des Matchbox-Empfehlungsalgorithmus und zum Vorbereiten eines Datasets von Elementfeatures oder Benutzerfeatures finden Sie unter Train Matchbox Recommender.

Tipp

Ist die Lösung nicht auf Ihren Fall anwendbar? Sie können jederzeit Feedback zu diesem Artikel senden und Informationen zu diesem Szenario bereitstellen, einschließlich des Moduls und der Anzahl der Zeilen in der Spalte. Wir werden diese Informationen verwenden, um in Zukunft ausführlichere Schritte zur Problembehandlung bereitzustellen.

Ausnahmemeldungen
Für einen erforderlichen Benutzer oder ein erforderliches Element wurden keine Features bereitgestellt.
Für {0} sind Features erforderlich, aber sie wurden bereitgestellt.

Fehler 0036

Eine Ausnahme tritt auf, wenn mehrere Featurevektoren für einen bestimmten Benutzer oder ein bestimmtes Element bereitgestellt wurden.

Dieser Fehler in Machine Learning tritt auf, wenn ein Featurevektor mehr als einmal definiert ist.

Lösung: Stellen Sie sicher, dass der Featurevektor nicht mehrfach definiert ist.

Ausnahmemeldungen
Doppelte Featuredefinition für einen Benutzer oder ein Element.
Doppelte Featuredefinition für {0}.

Fehler 0037

Eine Ausnahme tritt auf, wenn mehrere Bezeichnungsspalten angegeben sind und nur eine einzelne Spalte zulässig ist.

Dieser Fehler in Machine Learning tritt auf, wenn mehrere Spalten ausgewählt sind, um die neue Beschriftungsspalte zu sein. Die meisten überwachten Lernalgorithmen erfordern, dass eine einzelne Spalte als Ziel oder Bezeichnung markiert wird.

Lösung: Stellen Sie sicher, dass Sie eine einzelne Spalte als neue Bezeichnungsspalte auswählen.

Ausnahmemeldungen
Es wurden mehrere Bezeichnungsspalten angegeben.

Fehler 0038

Eine Ausnahme tritt auf, wenn die Anzahl der erwarteten Elemente ein exakter Wert sein sollte, aber dies nicht der Fall ist.

Dieser Fehler in Machine Learning tritt auf, wenn die Anzahl der erwarteten Elemente ein exakter Wert sein sollte, aber nicht. Sie erhalten diesen Fehler, wenn die Anzahl der Elemente ungleich dem gültigen Erwartungswert ist.

Auflösung: Ändern Sie die Eingabe, um die richtige Anzahl von Elementen zu haben.

Ausnahmemeldungen
Die Anzahl der Elemente ist nicht gültig.
Die Anzahl der Elemente in „{0}“ ist nicht gültig.
Die Anzahl der Elemente in „{0}“ entspricht nicht der gültigen Anzahl von {1} Element(en).

Fehler 0039

Eine Ausnahme tritt auf, wenn bei einer Operation ein Fehler aufgetreten ist.

Dieser Fehler in Machine Learning tritt auf, wenn ein interner Vorgang nicht abgeschlossen werden kann.

Lösung: Dieser Fehler wird durch viele Bedingungen verursacht und es gibt keine bestimmte Lösung.
Die folgende Tabelle enthält allgemeine Meldungen zu diesem Fehler, auf die eine bestimmte Beschreibung der Bedingung folgt.

Wenn keine Details verfügbar sind, senden Sie ein Feedback, und stellen Sie Informationen zu den Modulen, die den Fehler ausgelöst haben, und zu den zugehörigen Bedingungen bereit.

Ausnahmemeldungen
Fehler bei dem Vorgang.
Fehler beim Abschließen der Operation: {0}.

Fehler 0040

Eine Ausnahme tritt auf, wenn ein veraltetes Modul aufgerufen wird.

Dieser Fehler in Machine Learning wird beim Aufrufen eines veralteten Moduls erzeugt.

Auflösung: Ersetzen Sie das veraltete Modul durch ein unterstütztes Modul. Im Ausgabeprotokoll des Moduls finden Sie weitere Informationen dazu, welches Modul stattdessen verwendet werden soll.

Ausnahmemeldungen
Zugriff auf veraltetes Modul.
Das Modul „{0}“ ist veraltet. Verwenden Sie stattdessen das Modul „{1}“.

Fehler 0041

Eine Ausnahme tritt auf, wenn ein veraltetes Modul aufgerufen wird.

Dieser Fehler in Machine Learning wird beim Aufrufen eines veralteten Moduls erzeugt.

Auflösung: Ersetzen Sie das veraltete Modul durch einen Satz unterstützter Module. Diese Informationen sollten im Ausgabeprotokoll des Moduls verfügbar sein.

Ausnahmemeldungen
Zugriff auf veraltetes Modul.
Das Modul „{0}“ ist veraltet. Verwenden Sie die „{1}“-Module für die angeforderte Funktionalität.

Fehler 0042

Eine Ausnahme tritt auf, wenn es nicht möglich ist, eine Spalte in einen anderen Typ zu konvertieren.

Dieser Fehler in Machine Learning tritt auf, wenn die Spalte nicht in den angegebenen Typ konvertiert werden kann. Sie erhalten diesen Fehler, wenn ein Modul einen bestimmten Datentyp erfordert, z. B. Datum, Text, Gleitkommazahl oder ganze Zahl, aber es nicht möglich ist, eine vorhandene Spalte in den erforderlichen Typ zu konvertieren.

Sie können z. B. eine Spalte auswählen und versuchen, sie in einen numerischen Datentyp für die Verwendung in einer mathematischen Operation zu konvertieren, und dann diesen Fehler erhalten, wenn die Spalte ungültige Daten enthält.

Ein weiterer Grund für diesen Fehler ist der Versuch, eine Spalte mit Gleitkommazahlen oder vielen eindeutigen Werten als kategorische Spalte zu verwenden.

Lösung:

• Öffnen Sie die Hilfeseite für das Modul, das den Fehler ausgelöst hat, und überprüfen Sie die Anforderungen an den Datentyp.
• Überprüfen Sie die Datentypen der Spalten im Eingabedataset.
• Überprüfen Sie Daten, die aus sogenannten schemalosen Datenquellen stammen.
• Überprüfen Sie das Dataset auf fehlende Werte oder Sonderzeichen, die die Konvertierung in den gewünschten Datentyp verhindern könnten.
  • Numerische Datentypen sollten konsistent sein: Überprüfen Sie z. B. eine Spalte mit ganzen Zahlen auf Gleitkommazahlen.
  • Suchen Sie in einer Spalte mit Zahlen nach Textzeichenfolgen oder NA-Werten.
  • Boolesche Werte können je nach erforderlichem Datentyp in eine geeignete Darstellung konvertiert werden.
  • Untersuchen Sie Textspalten auf Nicht-Unicode-Zeichen, Tabulatorzeichen oder Steuerzeichen.
  • DateTime-Daten müssen konsistent sein, um Modellierungsfehler zu vermeiden, aber die Bereinigung kann sich aufgrund der zahlreichen Formate komplex gestalten. Verwenden Sie die Execute R-Skript- oder Execute Python-Skriptmodule, um die Bereinigung durchzuführen.
• Ändern Sie bei Bedarf die Werte im Eingabedataset, damit die Spalte erfolgreich konvertiert werden kann. Die Änderung kann Quantisierungs-, Kürzungs- oder Rundungsoperationen, die Eliminierung von Ausreißern oder die Imputation fehlender Werte umfassen. In den folgenden Artikeln finden Sie einige häufige Szenarien zur Datentransformation beim maschinellen Lernen:
  • Beschneiden von Werten
  • Bereinigen fehlender Daten
  • Normalisieren von Daten
  • Gruppieren von Daten in Bins

Tipp

Ist die Lösung nicht eindeutig oder nicht auf Ihren Fall anwendbar? Sie können jederzeit Feedback zu diesem Artikel senden und Informationen zu diesem Szenario bereitstellen, einschließlich des Moduls und des Datentyps der Spalte. Wir werden diese Informationen verwenden, um in Zukunft ausführlichere Schritte zur Problembehandlung bereitzustellen.

Ausnahmemeldungen
Nicht zulässige Konvertierung.
Die Spalte vom Typ {0} konnte nicht in eine Spalte vom Typ {1} konvertiert werden.
Die Spalte „{2}“ vom Typ {0} konnte nicht in eine Spalte vom Typ {1} konvertiert werden.
Die Spalte „{2}“ vom Typ {0} konnte nicht in eine Spalte „{3}“ vom Typ {1} konvertiert werden.

Fehler 0043

Eine Ausnahme tritt auf, wenn der Elementtyp nicht explizit „Equals“ (Ist gleich) implementiert.

Dieser Fehler in Machine Learning ist nicht verwendet und wird veraltet sein.

Lösung: Keine.

Ausnahmemeldungen
Keine zugängliche explizite Methode „Equals“ (Ist gleich) gefunden.
Werte für Spalte \"{0}\" des Typs {1}können nicht verglichen werden. Keine zugängliche explizite Methode „Equals“ (Ist gleich) gefunden.

Fehler 0044

Eine Ausnahme tritt auf, wenn es nicht möglich ist, den Elementtyp der Spalte aus den vorhandenen Werten abzuleiten.

Dieser Fehler in Machine Learning tritt auf, wenn es nicht möglich ist, den Typ einer Spalte oder Spalten in einem Dataset zu ziehen. Dies ist in der Regel der Fall, wenn zwei oder mehr Datasets mit unterschiedlichen Elementtypen verkettet werden. Wenn Machine Learning keinen allgemeinen Typ bestimmen kann, der alle Werte in einer Spalte oder Spalten ohne Datenverlust darstellt, wird dieser Fehler generiert.

Lösung: Stellen Sie sicher, dass alle Werte in einer bestimmten Spalte in beiden zu kombinierenden Datasets entweder vom gleichen Typ sind (numerisch, boolesch, kategorisch, Zeichenfolge, Datum usw.) oder in denselben Typ umgewandelt werden können.

Ausnahmemeldungen
Der Elementtyp der Spalte kann nicht abgeleitet werden.
Der Elementtyp für die Spalte „{0}“ kann nicht abgeleitet werden – alle Elemente sind Nullverweise.
Der Elementtyp für die Spalte „{0}“ von Dataset „{1}“ kann nicht abgeleitet werden – alle Elemente sind Nullverweise.

Fehler 0045

Eine Ausnahme tritt auf, wenn es aufgrund von gemischten Elementtypen in der Quelle nicht möglich ist, eine Spalte zu erstellen.

Dieser Fehler in Machine Learning wird erzeugt, wenn die Elementtypen von zwei Datasets kombiniert werden, unterschiedlich sind.

Lösung: Stellen Sie sicher, dass alle Werte in einer bestimmten Spalte in beiden zu kombinierenden Datasets vom gleichen Typ sind (numerisch, boolesch, kategorisch, Zeichenfolge, Datum usw.).

Ausnahmemeldungen
Es kann keine Spalte mit gemischten Elementtypen erstellt werden.
Es kann keine Spalte mit der ID „{0}“ von gemischten Elementtypen erstellt werden:\n\tDatentyp[{1}, {0}] ist {2}\n\tDatentyp[{3}, {0}] ist {4}.

Fehler 0046

Eine Ausnahme tritt auf, wenn in einem bestimmten Pfad kein Verzeichnis erstellt werden kann.

Dieser Fehler in Machine Learning tritt auf, wenn es nicht möglich ist, ein Verzeichnis im angegebenen Pfad zu erstellen. Sie erhalten diesen Fehler, wenn ein Teil des Pfads zum Ausgabeverzeichnis für eine Hive-Abfrage falsch oder nicht zugänglich ist.

Lösung: Rufen Sie das Modul erneut auf und überprüfen Sie, ob der Verzeichnispfad ordnungsgemäß formatiert ist und ob auf ihn mit den aktuellen Anmeldeinformationen zugegriffen werden kann.

Ausnahmemeldungen
Geben Sie ein gültiges Ausgabeverzeichnis an.
Verzeichnis: {0} kann nicht erstellt werden. Geben Sie einen gültigen Pfad an.

Fehler 0047

Eine Ausnahme tritt auf, wenn die Anzahl der Featurespalten in einigen der an das Modul übergebenen Datasets zu klein ist.

Dieser Fehler in Machine Learning tritt auf, wenn das Eingabedatensatz zur Schulung nicht die mindestanzahl von Spalten enthält, die vom Algorithmus benötigt werden. Normalerweise ist entweder das Dataset leer oder enthält nur Trainingsspalten.

Auflösung: Überprüfen Sie das Eingabedatensatz, um sicherzustellen, dass eine oder mehrere zusätzliche Spalten abgesehen von der Beschriftungsspalte vorhanden sind.

Ausnahmemeldungen
Die Anzahl der Featurespalten im Eingabedataset ist kleiner als der zulässige Mindestwert.
Die Anzahl der Featurespalten im Eingabedataset ist kleiner als der zulässige Mindestwert von {0} Spalte(n).
Die Anzahl der Featurespalten im Eingabedataset „{0}“ ist kleiner als der zulässige Mindestwert von {1} Spalte(n).

Fehler 0048

Eine Ausnahme tritt auf, wenn eine Datei nicht geöffnet werden konnte.

Dieser Fehler in Machine Learning tritt auf, wenn es nicht möglich ist, eine Datei zum Lesen oder Schreiben zu öffnen. Dieser Fehler kann aus folgenden Gründen angezeigt werden:

• Der Container oder die Datei (Blob) ist nicht vorhanden.

• Die Zugriffsebene der Datei oder des Containers gestattet Ihnen keinen Zugriff auf die Datei.

• Die Datei ist zu groß zum Lesen oder weist ein falsches Format auf.

Lösung: Rufen Sie das Modul und die zu lesende Datei erneut auf.

Überprüfen Sie, ob die Namen von Container und Datei richtig sind.

Verwenden Sie das klassische Azure-Portal oder ein Azure-Speichertool, um sicherzustellen, dass Sie über die Berechtigung zum Zugriff auf die Datei verfügen.

Wenn Sie versuchen, eine Bilddatei zu lesen, stellen Sie sicher, dass sie die Anforderungen für Bilddateien in Bezug auf Größe, Anzahl pixel usw. erfüllt. Weitere Informationen finden Sie unter "Bilder importieren".

Ausnahmemeldungen
Eine Datei kann nicht geöffnet werden.
Fehler beim Öffnen der Datei: {0}.

Fehler 0049

Eine Ausnahme tritt auf, wenn eine Datei nicht analysiert werden konnte.

Dieser Fehler in Machine Learning tritt auf, wenn es nicht möglich ist, eine Datei zu analysieren. Sie erhalten diesen Fehler, wenn das im Modul Import Data (Daten importieren) ausgewählte Dateiformat nicht mit dem tatsächlichen Format der Datei übereinstimmt oder die Datei ein nicht erkennbares Zeichen enthält.

Lösung: Rufen Sie das Modul erneut auf, und korrigieren Sie die Auswahl des Dateiformats, wenn es nicht mit dem Format der Datei übereinstimmt. Überprüfen Sie nach Möglichkeit die Datei, um sicherzustellen, dass sie keine unzulässigen Zeichen enthält.

Ausnahmemeldungen
Eine Datei konnte nicht analysiert werden.
Fehler beim Analysieren der Datei: {0}.

Fehler 0050

Eine Ausnahme tritt auf, wenn Ein- und Ausgabedateien identisch sind.

Auflösung: Dieser Fehler in Machine Learning ist nicht verwendet und ist veraltet.

Ausnahmemeldungen
Die angegebenen Dateien für die Ein- und Ausgabe dürfen nicht identisch sein.

Fehler 0051

Eine Ausnahme tritt auf, wenn mehrere Ausgabedateien identisch sind.

Auflösung: Dieser Fehler in Machine Learning ist nicht verwendet und ist veraltet.

Ausnahmemeldungen
Die angegebenen Dateien für die Ausgabe dürfen nicht identisch sein.

Fehler 0052

Eine Ausnahme tritt auf, wenn der Schlüssel des Azure-Speicherkontos falsch angegeben wurde.

Dieser Fehler in Machine Learning tritt auf, wenn der Schlüssel, der für den Zugriff auf das Azure-Speicherkonto verwendet wird, falsch ist. Dieser Fehler kann z. B. auftreten, wenn der Azure-Speicherschlüssel beim Kopieren und Einfügen abgeschnitten oder der falsche Schlüssel verwendet wurde.

Weitere Informationen zum Abrufen des Schlüssels für ein Azure-Speicherkonto finden Sie unter Anzeigen, Kopieren und erneutes Generieren von Speicherzugriffsschlüsseln.

Lösung: Rufen Sie das Modul erneut auf und überprüfen Sie, ob der Azure-Speicherschlüssel für das Konto richtig ist. Kopieren Sie den Schlüssel bei Bedarf erneut aus dem klassischen Azure-Portal.

Ausnahmemeldungen
Der Schlüssel des Azure-Speicherkontos ist falsch.

Fehler 0053

Eine Ausnahme tritt in dem Fall auf, wenn für Matchbox-Empfehlungen keine Benutzerfeatures oder Elemente vorhanden sind.

Dieser Fehler in Machine Learning wird erstellt, wenn ein Featurevektor nicht gefunden werden kann.

Lösung: Stellen Sie sicher, dass im Eingabedataset ein Featurevektor vorhanden ist.

Ausnahmemeldungen
Benutzerfeatures oder/und Elemente sind erforderlich, werden aber nicht bereitgestellt.

Fehler 0054

Eine Ausnahme tritt auf, wenn zu wenige eindeutige Werte in der Spalte vorhanden sind, um die Operation abzuschließen.

Auflösung: Dieser Fehler in Machine Learning ist nicht verwendet und ist veraltet.

Ausnahmemeldungen
Die Daten weisen in der angegebenen Spalte zu wenige unterschiedliche Werte auf, um die Operation abzuschließen.
Die Daten weisen in der angegebenen Spalte zu wenige unterschiedliche Werte auf, um die Operation abzuschließen. Der erforderliche Mindestwert sind {0} Elemente.
Die Daten weisen in der Spalte „{1}“ zu wenige unterschiedliche Werte auf, um die Operation abzuschließen. Der erforderliche Mindestwert sind {0} Elemente.

Fehler 0055

Eine Ausnahme tritt auf, wenn ein veraltetes Modul aufgerufen wird.

Dieser Fehler in Machine Learning wird angezeigt, wenn Sie versuchen, ein Modul aufzurufen, das veraltet ist.

Lösung:

Ausnahmemeldungen
Zugriff auf veraltetes Modul.
Das Modul „{0}“ ist veraltet.

Fehler 0056

Eine Ausnahme tritt auf, wenn die von Ihnen für eine Operation ausgewählten Spalten gegen die Anforderungen verstoßen.

Dieser Fehler in Machine Learning tritt auf, wenn Sie Spalten für einen Vorgang auswählen, der die Spalte eines bestimmten Datentyps erfordert.

Dieser Fehler kann auch auftreten, wenn die Spalte den richtigen Datentyp besitzt, aber das von Ihnen verwendete Modul erfordert, dass die Spalte auch als Feature, Bezeichnung oder kategorische Spalte gekennzeichnet ist.

Das Modul "In Indikatorwerte konvertieren " erfordert beispielsweise, dass Spalten kategorisiert werden und diesen Fehler auslösen, wenn Sie eine Featurespalte oder Beschriftungsspalte auswählen.

Lösung:

1. Überprüfen Sie den Datentyp der aktuell ausgewählten Spalten.

2. Ermitteln Sie, ob es sich bei den ausgewählten Spalten um kategorische, Bezeichnungs- oder Featurespalten handelt.

3. Lesen Sie das Hilfethema zu dem Modul, in dem Sie die Spaltenauswahl vorgenommen haben, um festzustellen, ob besondere Anforderungen an den Datentyp oder die Spaltennutzung gestellt werden.

4. Verwenden Sie Edit Metadata (Metadaten bearbeiten), um den Spaltentyp für die Dauer dieser Operation zu ändern. Stellen Sie sicher, dass Sie den Spaltentyp wieder auf seinen ursprünglichen Wert zurücksetzen und eine andere Instanz von Edit Metadata (Metadaten bearbeiten) verwenden, wenn Sie ihn für Downstream-Operationen benötigen.

Ausnahmemeldungen
Mindestens eine ausgewählte Spalte hat sich nicht in einer zulässigen Kategorie befunden.
Die Spalte namens „{0}“ befindet sich nicht in einer zulässigen Kategorie.

Fehler 0057

Eine Ausnahme tritt bei dem Versuch auf, eine bereits vorhandene Datei oder ein bereits vorhandenes Blob zu erstellen.

Diese Ausnahme tritt auf, wenn Sie das Exportdatenmodul oder ein anderes Modul verwenden, um Ergebnisse eines Experiments in Machine Learning in Azure Blob Storage zu speichern, aber Sie versuchen, eine Datei oder ein Blob zu erstellen, das bereits vorhanden ist.

Lösung:

Sie erhalten diesen Fehler nur, wenn Sie zuvor die Eigenschaft Azure blob storage write mode (Schreibmodus für Azure-Blobspeicher) auf Error (Fehler) festgelegt haben. Dieses Modul löst standardmäßig einen Fehler aus, wenn Sie versuchen, ein Dataset in ein bereits bestehendes Blob zu schreiben.

• Öffnen Sie die Moduleigenschaften, und ändern Sie die Eigenschaft Azure blob storage write mode (Schreibmodus für Azure-Blobspeicher) in Overwrite (Überschreiben).
• Alternativ können Sie auch den Namen eines anderen Zielblobs oder einer anderen Datei eingeben und ein Blob angeben, das nicht bereits vorhanden ist.

Ausnahmemeldungen
Datei oder Blob ist bereits vorhanden.
Datei oder Blob „{0}“ ist bereits vorhanden.

Fehler 0058

Dieser Fehler in Machine Learning tritt auf, wenn das Dataset nicht die erwartete Beschriftungsspalte enthält.

Diese Ausnahme kann auch auftreten, wenn die angegebene Bezeichnungsspalte nicht mit den vom Learner erwarteten Daten oder Datentyp übereinstimmt oder die falschen Werte aufweist. Diese Ausnahme wird z. B. erzeugt, wenn beim Training eines binären Klassifikators eine Bezeichnungsspalte mit realem Wert verwendet wird.

Lösung: Die Lösung hängt vom verwendeten Learner oder Trainer und den Datentypen der Spalten in Ihrem Dataset ab. Überprüfen Sie zunächst die Anforderungen an den maschinellen Lernalgorithmus oder das Trainingsmodul.

Rufen Sie das Eingabedataset erneut auf. Überprüfen Sie, ob die Spalte, von der Sie erwarten, dass sie als Bezeichnung behandelt wird, den richtigen Datentyp für das von Ihnen zu erstellende Modell aufweist.

Überprüfen Sie die Eingaben auf fehlende Werte und beseitigen oder ersetzen Sie diese gegebenenfalls.

Fügen Sie bei Bedarf das Modul Edit Metadata (Metadaten bearbeiten) hinzu und stellen Sie sicher, dass die Bezeichnungsspalte als Bezeichnung gekennzeichnet ist.

Ausnahmemeldungen
Die Bezeichnungsspalte entspricht nicht den Erwartungen.
Die Bezeichnungsspalte entspricht in „{0}“ nicht den Erwartungen.
Die Bezeichnungsspalte „{0}“ wird in „{1}“ nicht erwartet.

Fehler 0059

Eine Ausnahme tritt auf, wenn ein in einer Spaltenauswahl angegebener Spaltenindex nicht analysiert werden kann.

Dieser Fehler in Machine Learning tritt auf, wenn ein Spaltenindex, der bei Verwendung der Spaltenauswahl angegeben wird, nicht analysiert werden kann. Sie erhalten diesen Fehler, wenn der Spaltenindex in einem ungültigen Format vorliegt, das nicht analysiert werden kann.

Lösung: Ändern Sie den Spaltenindex, um einen gültigen Indexwert zu verwenden.

Ausnahmemeldungen
Mindestens ein angegebener Spaltenindex oder Indexbereich konnte nicht analysiert werden.
Der Spaltenindex oder der Bereich „{0}“ konnte nicht analysiert werden.

Fehler 0060

Eine Ausnahme tritt auf, wenn in einer Spaltenauswahl ein Spaltenbereich außerhalb des Bereichs angegeben ist.

Dieser Fehler in Machine Learning tritt auf, wenn in der Spaltenauswahl ein Bereich außerhalb des Bereichs angegeben wird. Sie erhalten diesen Fehler, wenn der Spaltenbereich in der Spaltenauswahl nicht mit den Spalten im Dataset übereinstimmt.

Lösung: Ändern Sie den Spaltenbereich in der Spaltenauswahl so, dass er den Spalten im Dataset entspricht.

Ausnahmemeldungen
Es wurde ein ungültiger oder außerhalb des Bereichs liegender Spaltenindexbereich angegeben.
Der Spaltenbereich „{0}“ ist ungültig oder außerhalb des Bereichs.

Fehler 0061

Eine Ausnahme tritt bei dem Versuch auf, eine Zeile zu einer DataTable hinzuzufügen, die eine andere Anzahl von Spalten als die Tabelle aufweist.

Dieser Fehler in Machine Learning tritt auf, wenn Sie versuchen, einem Dataset eine Zeile hinzuzufügen, die eine andere Anzahl von Spalten aufweist als das Dataset. Sie erhalten diesen Fehler, wenn die Zeile, die dem Dataset hinzugefügt wird, eine andere Anzahl von Spalten verwendet als das Eingabedataset. Die Zeile kann nicht an das Dataset angefügt werden, wenn die Anzahl der Spalten verschieden ist.

Lösung: Ändern Sie das Eingabedataset so, dass es die gleiche Anzahl von Spalten aufweist wie die hinzugefügte Zeile, oder ändern Sie die hinzugefügte Zeile so, dass sie dieselbe Anzahl von Spalten verwendet wie das Dataset.

Ausnahmemeldungen
Alle Tabellen müssen dieselbe Anzahl von Spalten aufweisen.

Fehler 0062

Eine Ausnahme tritt bei dem Versuch auf, zwei Modelle mit unterschiedlichen Learnertypen zu vergleichen.

Dieser Fehler in Machine Learning wird erstellt, wenn Auswertungsmetriken für zwei verschiedene bewertete Datasets nicht verglichen werden können. In diesem Fall ist es nicht möglich, die Effektivität der Modelle zu vergleichen, die zur Erstellung der beiden bewerteten Datasets verwendet werden.

Lösung: Überprüfen Sie, ob die Ergebnisse von derselben Art von maschinellem Lernmodell stammen (binäre Klassifizierung, Regression, Klassifizierung mit mehreren Klassen, Empfehlung, Clustering, Anomalieerkennung usw.). Alle von Ihnen zu vergleichenden Modelle müssen denselben Learnertyp aufweisen.

Ausnahmemeldungen
Alle Modelle müssen denselben Learnertyp aufweisen.

Fehler 0063

Diese Ausnahme wird ausgelöst, wenn die R-Skriptauswertung mit einem Fehler fehlschlägt.

Dieser Fehler tritt auf, wenn Sie ein R-Skript in einem der R-Sprachmodule in Machine Learning bereitgestellt haben, und der R-Code enthält interne Syntaxfehler. Die Ausnahme kann auch auftreten, wenn Sie die falschen Eingaben für das R-Skript bereitstellen.

Der Fehler kann auch auftreten, wenn das Skript zu groß ist, um im Arbeitsbereich auszuführen. Die maximale Skriptgröße für das Execute R Script-Modul beträgt 1.000 Zeilen oder 32 KB Arbeitsraum, je nachdem, welcher Wert kleiner ist.

Lösung:

1. Klicken Sie in Machine Learning Studio (klassisch) mit der rechten Maustaste auf das Modul, das den Fehler hat, und wählen Sie "Protokoll anzeigen" aus.
2. Überprüfen Sie das Standardfehlerprotokoll des Moduls, das die Stapelablaufverfolgung enthält.
   • Zeilen beginnend mit [ModuleOutput] geben die Ausgabe von R an.
   • Nachrichten von R, die als Warnungen gekennzeichnet sind, führen normalerweise nicht dazu, dass das Experiment fehlschlägt.
3. Beheben von Skriptproblemen.
   • Suchen Sie nach R-Syntaxfehlern. Suchen Sie nach Variablen, die definiert sind, aber nie aufgefüllt werden.
   • Überprüfen Sie die Eingabedaten und das Skript, um festzustellen, ob die Daten oder Variablen im Skript Zeichen verwenden, die von Machine Learning nicht unterstützt werden.
   • Überprüfen Sie, ob alle Paketabhängigkeiten installiert sind.
   • Überprüfen Sie, ob der Code erforderliche Bibliotheken lädt, die standardmäßig nicht geladen werden.
   • Überprüfen Sie, ob die erforderlichen Pakete die richtige Version sind.
   • Stellen Sie sicher, dass jedes Dataset, das Sie ausgeben möchten, in einen Datenframe konvertiert wird.
4. Senden Sie das Experiment erneut.

Hinweis

Diese Themen enthalten Beispiele für R-Code, den Sie verwenden können, sowie Links zu Experimenten im Cortana Intelligence Gallery, die R-Skript verwenden.

• Ausführen von R-Skripts
• Create R Model

Ausnahmemeldungen
Fehler bei der Auswertung des R-Skripts.
Der folgende Fehler trat bei der Auswertung des R-Skripts auf: ---------- Start der Fehlermeldung von R -------------- {0} Ende der Fehlermeldung von R ---------------- Ende der Fehlermeldung von R ----------------
Bei der Auswertung des R-Skripts „{1}“ ist der folgende Fehler aufgetreten: ---------- Start der Fehlermeldung von R -------------- {0} --------------- Ende der Fehlermeldung von R -----------------

Fehler 0064

Eine Ausnahme tritt auf, wenn der Name oder Speicherschlüssel des Azure-Speicherkontos falsch angegeben wurde.

Dieser Fehler in Machine Learning tritt auf, wenn der Azure-Speicherkontoname oder der Speicherschlüssel falsch angegeben wird. Sie erhalten diesen Fehler, wenn Sie einen falschen Kontonamen oder ein falsches Kennwort für das Speicherkonto eingeben. Dies kann vorkommen, wenn Sie den Kontonamen oder das Kennwort manuell eingeben. Der Fehler kann auch auftreten, wenn das Konto gelöscht wurde.

Lösung: Überprüfen Sie, ob der Kontoname und das Kennwort ordnungsgemäß eingegeben wurden und ob das Konto vorhanden ist.

Ausnahmemeldungen
Der Name oder Speicherschlüssel des Azure-Speicherkontos ist falsch.
Der Azure-Speicherkontoname „{0}“ oder der Speicherschlüssel für den Kontonamen ist falsch.

Fehler 0065

Eine Ausnahme tritt auf, wenn der Azure-Blobname nicht ordnungsgemäß angegeben wurde.

Dieser Fehler in Machine Learning tritt auf, wenn der Azure-Blobname falsch angegeben wird. Sie erhalten den Fehler in den folgenden Situationen:

• Das Blob kann im angegebenen Container nicht gefunden werden.

• Der vollqualifizierte Name des für die Ausgabe angegebenen Blobs in einem der Learning mit Zählungsmodulen beträgt größer als 512 Zeichen.

• Nur der Container wurde als Quelle in einer Import Data-Anforderung (Daten importieren) angegeben, wenn das Format Excel oder CSV mit Codierung verwendet wurde. Die Verkettung des Inhalts aller Blobs innerhalb eines Containers ist mit diesen Formaten nicht zulässig.

• Ein SAS-URI enthält nicht den Namen eines gültigen Blobs.

Lösung: Rufen Sie das Modul erneut auf, das die Ausnahme auslöst. Überprüfen Sie, ob das angegebene Blob im Container im Speicherkonto vorhanden ist und ob Sie mit den Berechtigungen das Blob anzeigen können. Überprüfen Sie, ob die Eingabe der Form Containername/Dateiname entspricht, wenn Sie Excel oder CSV mit Codierungsformaten verwenden. Überprüfen Sie, ob ein SAS-URI den Namen eines gültigen Blobs enthält.

Ausnahmemeldungen
Der Azure-Speicherblob ist falsch.
Der Azure-Speicherblobname „{0}“ ist falsch.

Fehler 0066

Eine Ausnahme tritt auf, wenn eine Ressource nicht in ein Azure-Blob hochgeladen werden konnte.

Dieser Fehler in Machine Learning tritt auf, wenn eine Ressource nicht in ein Azure Blob hochgeladen werden konnte. Sie erhalten diese Nachricht, wenn das Train Vowpal Wabbit 7-4-Modell einen Fehler auftritt, der versucht, das Modell oder den Beim Training des Modells erstellten Hash zu speichern. Beide werden in demselben Azure-Speicherkonto gespeichert wie das Konto, das die Eingabedatei enthält.

Lösung: Rufen Sie das Modul erneut auf. Überprüfen Sie, ob Azure-Kontoname, Speicherschlüssel und Container richtig sind und ob das Konto über die Berechtigung verfügt, in den Container zu schreiben.

Ausnahmemeldungen
Die Ressource konnte nicht in den Azure-Speicher hochgeladen werden.
Die Datei „{0}“ konnte nicht als {1} in den Azure-Speicher hochgeladen werden.

Fehler 0067

Eine Ausnahme tritt auf, wenn ein Dataset eine andere Spaltenanzahl aufweist als erwartet.

Dieser Fehler in Machine Learning tritt auf, wenn ein Dataset eine andere Anzahl von Spalten aufweist als erwartet. Sie erhalten diesen Fehler, wenn die Anzahl der Spalten im Dataset von der Anzahl der Spalten abweicht, die das Modul während der Ausführung erwartet.

Lösung: Ändern Sie das Eingabedataset oder die Parameter.

Ausnahmemeldungen
Unerwartete Anzahl von Spalten in der Datentabelle.
„{0}“ Spalten erwartet, aber stattdessen „{1}“ Spalten gefunden.

Fehler 0068

Eine Ausnahme tritt auf, wenn das angegebene Hive-Skript nicht richtig ist.

Dieser Fehler in Machine Learning tritt auf, wenn syntaxfehler in einem Hive QL-Skript vorhanden sind oder wenn der Hive-Dolmetscher beim Ausführen der Abfrage oder des Skripts einen Fehler auftritt.

Lösung:

Die Fehlermeldung von Hive wird normalerweise im Fehlerprotokoll gemeldet, sodass Sie aufgrund des bestimmten Fehlers Maßnahmen ergreifen können.

• Öffnen Sie das Modul, und überprüfen Sie die Abfrage auf Fehler.
• Stellen Sie sicher, dass die Abfrage außerhalb von Machine Learning ordnungsgemäß funktioniert, indem Sie sich bei der Hive-Konsole Ihres Hadoop-Clusters anmelden und die Abfrage ausführen.
• Versuchen Sie, Kommentare in Ihrem Hive-Skript in einer separaten Zeile zu platzieren, anstatt ausführbare Anweisungen und Kommentare in einer einzelnen Zeile zu kombinieren.

Ressourcen

In den folgenden Artikeln finden Sie Hilfe bei Hive-Abfragen für maschinelles Lernen:

• Erstellen von Hive-Tabellen und Laden von Daten aus Azure Blob Storage
• Durchsuchen von Daten in Tabellen mithilfe von Hive-Abfragen
• Erstellen von Features für Daten in einem Hadoop-Cluster mit Hive-Abfragen
• Cheat Sheet für Hive für SQL-Benutzer (PDF)

Ausnahmemeldungen
Das Hive-Skript ist falsch.
Das Hive-Skript {0} ist falsch.

Fehler 0069

Eine Ausnahme tritt auf, wenn das angegebene SQL-Skript nicht richtig ist.

Dieser Fehler in Machine Learning tritt auf, wenn das angegebene SQL-Skript Syntaxprobleme hat, oder wenn die spalten oder tabellen, die im Skript angegeben sind, ungültig sind.

Sie erhalten diesen Fehler, wenn die SQL-Engine beim Ausführen der Abfrage oder des Skripts einen Fehler erkennt. Die SQL-Fehlermeldung wird normalerweise im Fehlerprotokoll gemeldet, sodass Sie aufgrund des bestimmten Fehlers Maßnahmen ergreifen können.

Lösung: Rufen Sie das Modul erneut auf, und überprüfen Sie die SQL-Abfrage auf Fehler.

Stellen Sie sicher, dass die Abfrage außerhalb von Azure ML ordnungsgemäß funktioniert, indem Sie sich direkt am Datenbankserver anmelden und die Abfrage ausführen.

Wenn eine von der Modulausnahme gemeldete SQL generierte Nachricht vorliegt, ergreifen Sie aufgrund des gemeldeten Fehlers die entsprechenden Maßnahmen. Die Fehlermeldungen umfassen z. B. gelegentlich eine bestimmte Anleitung für den wahrscheinlichen Fehler:

• No such column or missing database (Keine derartige Spalte vorhanden oder fehlende Datenbank) weist darauf hin, dass Sie möglicherweise einen Spaltennamen falsch eingegeben haben. Wenn Sie sicher sind, dass der Spaltenname richtig ist, versuchen Sie, den Spaltenbezeichner in Klammern oder Anführungszeichen einzuschließen.
• SQL logic error near <SQL keyword> (SQL-Logikfehler in der Nähe von SQL-Schlüsselwort) weist darauf hin, dass möglicherweise ein Syntaxfehler vor dem angegebenen Schlüsselwort vorliegt.

Ausnahmemeldungen
Das SQL-Skript ist falsch.
Die SQL-Abfrage „{0}“ ist falsch.
Die SQL-Abfrage „{0}“ ist falsch: {1}

Fehler 0070

Eine Ausnahme tritt bei dem Versuch auf, auf eine nicht vorhandene Azure-Tabelle zuzugreifen.

Dieser Fehler in Machine Learning tritt auf, wenn Sie versuchen, auf eine nicht vorhandene Azure-Tabelle zuzugreifen. Sie erhalten diesen Fehler, wenn Sie eine Tabelle im Azure-Speicher angeben, die beim Lesen von oder Schreiben in den Azure-Tabellenspeicher nicht vorhanden ist. Dies kann vorkommen, wenn Sie sich bei der Eingabe des Namens der gewünschten Tabelle vertippen oder ein Konflikt zwischen Zielname und Speichertyp vorliegt. Sie wollten z. B. aus einer Tabelle lesen, haben aber stattdessen einen Blobnamen eingegeben.

Lösung: Rufen Sie das Modul erneut auf, um sicherzustellen, dass der Name der Tabelle richtig ist.

Ausnahmemeldungen
Die Azure-Tabelle ist nicht vorhanden.
Die Azure-Tabelle „{0}“ ist nicht vorhanden.

Fehler 0071

Eine Ausnahme tritt auf, wenn die bereitgestellten Anmeldeinformationen falsch sind.

Dieser Fehler in Machine Learning tritt auf, wenn die bereitgestellten Anmeldeinformationen falsch sind.

Sie können diesen Fehler auch erhalten, wenn das Modul keine Verbindung zu einem HDInsight-Cluster herstellen kann.

Auflösung: Überprüfen Sie die Eingaben im Modul, und überprüfen Sie den Kontonamen und das Kennwort.

Überprüfen Sie die folgenden Probleme, die zu einem Fehler führen können:

• Das Schema des Datasets stimmt nicht mit dem Schema der Zieldatentabelle überein.

• Spaltennamen fehlen oder sind falsch geschrieben.

• Sie schreiben in eine Tabelle, die Spaltennamen mit unzulässigen Zeichen enthält. Normalerweise können Sie solche Spaltennamen in eckige Klammern setzen, aber wenn das nicht funktioniert, bearbeiten Sie die Spaltennamen, um nur Buchstaben und Unterstriche zu verwenden (_).

• Zeichenfolgen, die Sie zu schreiben versuchen, enthalten einfache Anführungszeichen.

Wenn Sie versuchen, eine Verbindung mit einem HDInsight-Cluster herzustellen, vergewissern Sie sich, dass mit den bereitgestellten Anmeldeinformationen auf den Zielcluster zugegriffen werden kann.

Ausnahmemeldungen
Es werden falsche Anmeldeinformationen übergeben.
Falscher Benutzername „{0}“ oder falsches Kennwort wurde übergeben.

Fehler 0072

Eine Ausnahme tritt bei einem Verbindungstimeout auf.

Dieser Fehler in Machine Learning tritt auf, wenn eine Verbindung ausläuft. Sie erhalten diesen Fehler, wenn derzeit Konnektivitätsprobleme mit der Datenquelle oder dem Ziel auftreten, z. B. langsame Internetkonnektivität, oder wenn das Dataset groß ist und/oder die SQL Abfrage, die in den Daten gelesen werden soll, eine komplizierte Verarbeitung ausführt.

Lösung: Ermitteln Sie, ob derzeit Probleme mit langsamen Verbindungen zum Azure-Speicher oder zum Internet vorliegen.

Ausnahmemeldungen
Es ist ein Verbindungstimeout aufgetreten.

Fehler 0073

Eine Ausnahme tritt auf, wenn bei der Konvertierung einer Spalte in einen anderen Typ ein Fehler auftritt.

Dieser Fehler in Machine Learning tritt auf, wenn es nicht möglich ist, Spalte in einen anderen Typ zu konvertieren. Sie erhalten diesen Fehler, wenn ein Modul einen bestimmten Typ erfordert und es nicht möglich ist, die Spalte in den neuen Typ zu konvertieren.

Lösung: Ändern Sie das Eingabedataset so, dass die Spalte aufgrund der inneren Ausnahme konvertiert werden kann.

Ausnahmemeldungen
Fehler beim Konvertieren der Spalte.
Fehler beim Konvertieren der Spalte in {0}.

Fehler 0074

Eine Ausnahme tritt auf, wenn das Modul Edit Metadata (Metadaten bearbeiten) versucht, eine Sparsespalte in eine kategorische Spalte zu konvertieren.

Dieser Fehler in Machine Learning tritt auf, wenn die Bearbeitungsmetadaten versucht, eine sparse Spalte in kategorisierte Spalte zu konvertieren. Sie erhalten diesen Fehler bei dem Versuch, Sparsespalten mit der Option Make categorical (Kategorische Spalte erstellen) in kategorische Spalten zu konvertieren. Machine Learning unterstützt keine sparse kategorisierten Arrays, sodass das Modul fehlschlägt.

Auflösung: Machen Sie die Spalte mit der Verwendung von Convert in Dataset zuerst dicht oder konvertieren Sie die Spalte nicht in kategorisiert.

Ausnahmemeldungen
Sparsespalten können nicht in „Categorical“ (kategorisch) konvertiert werden.

Fehler 0075

Eine Ausnahme tritt auf, wenn bei der Quantisierung eines Datasets eine ungültige Quantisierungsfunktion verwendet wird.

Dieser Fehler in Machine Learning tritt auf, wenn Sie versuchen, Daten mithilfe einer nicht unterstützten Methode zu binieren oder wenn die Parameterkombinationen ungültig sind.

Lösung:

Die Fehlerbehandlung für dieses Ereignis wurde in einer früheren Version von Machine Learning eingeführt, die eine weitere Anpassung von Binning-Methoden ermöglichte. Derzeit basieren alle Quantisierungsmethoden auf einer Auswahl aus einer Dropdownliste, sodass es technisch nicht mehr möglich sein sollte, diesen Fehler zu erhalten.

Wenn Sie diesen Fehler beim Verwenden der Gruppendaten in Bins-Modul erhalten, sollten Sie das Problem im Machine Learning Forum melden, indem Sie die Datentypen, Parametereinstellungen und die genaue Fehlermeldung angeben.

Ausnahmemeldungen
Es wurde eine ungültige Quantisierungsfunktion verwendet.

Fehler 0077

Eine Ausnahme tritt auf, wenn ein unbekannter Schreibmodus der Blobdatei übergeben wird.

Dieser Fehler in Machine Learning tritt auf, wenn ein ungültiges Argument in den Spezifikationen für ein BLOB-Dateiziel oder eine Quelle übergeben wird.

Lösung: In fast allen Modulen, die Daten in Azure-Blobspeicher importieren oder aus diesem exportieren, werden Parameterwerte, die den Schreibmodus steuern, über eine Dropdownliste zugewiesen. Daher ist es nicht möglich, einen ungültigen Wert zu übergeben, und dieser Fehler sollte nicht auftreten. Dieser Fehler ist in einem späteren Release veraltet.

Ausnahmemeldungen
Nicht unterstützter Blobschreibmodus.
Nicht unterstützter Blobschreibmodus: {0}.

Fehler 0078

Eine Ausnahme tritt auf, wenn die HTTP-Option für Import Data (Daten importieren) einen 3xx-Statuscode erhält, der eine Umleitung anzeigt.

Dieser Fehler in Machine Learning tritt auf, wenn die HTTP-Option für Importdaten einen Statuscode von 3xx (301, 302, 304 usw.) empfängt, der die Umleitung angibt. Sie erhalten diesen Fehler bei dem Versuch, eine Verbindung zu einer HTTP-Quelle herzustellen, die den Browser zu einer anderen Seite umleitet. Aus Sicherheitsgründen sind Umleitungswebsites nicht als Datenquellen für Machine Learning zulässig.

Lösung: Wenn es sich bei der Website um eine vertrauenswürdige Website handelt, geben Sie die umgeleitete URL direkt ein.

Ausnahmemeldungen
Die HTTP-Umleitung ist nicht zulässig.

Fehler 0079

Eine Ausnahme tritt auf, wenn der Name des Azure-Speichercontainers falsch angegeben wurde.

Dieser Fehler in Machine Learning tritt auf, wenn der Azure-Speichercontainername falsch angegeben wird. Sie erhalten diesen Fehler, wenn Sie beim Schreiben in Azure Blob Storage nicht sowohl den Container als auch den Blob(datei)namen mit der Option Path to blob beginning with container (Pfad zum Blob beginnt mit Container) angegeben haben.

Lösung: Rufen Sie das Modul Export Data (Daten exportieren) erneut auf und überprüfen Sie, ob der angegebene Pfad zum Blob sowohl den Container als auch den Dateinamen im Format Container/Dateiname enthält.

Ausnahmemeldungen
Der Azure-Speichercontainername ist falsch.
Der Azure-Speichercontainername „{0}“ ist falsch. Es wurde ein Containername im Format „Container/Blob“ erwartet.

Fehler 0080

Eine Ausnahme tritt auf, wenn die Spalte mit allen fehlenden Werten vom Modul nicht zulässig ist.

Dieser Fehler in Machine Learning wird erstellt, wenn mindestens eine der vom Modul verbrauchten Spalten alle fehlenden Werte enthält. Wenn ein Modul z. B. Aggregatstatistiken für die einzelnen Spalten berechnet, kann es nicht mit einer Spalte arbeiten, die keine Daten enthält. In solchen Fällen wird die Modulausführung mit dieser Ausnahme angehalten.

Lösung: Rufen Sie das Eingabedataset erneut auf, und entfernen Sie alle Spalten, die alle fehlenden Werte enthalten.

Ausnahmemeldungen
Spalten, denen alle Werte fehlen, sind nicht zulässig.
In der Spalte {0} fehlen alle Werte.

Fehler 0081

Eine Ausnahme tritt im PCA-Modul auf, wenn die Anzahl der zu verringernden Dimensionen gleich der Anzahl der Featurespalten im Eingabedataset ist, die mindestens eine Sparse-Featurespalte enthalten.

Dieser Fehler in Machine Learning wird erstellt, wenn die folgenden Bedingungen erfüllt sind: (a) Das Eingabedatenset weist mindestens eine sparse Spalte auf, und (b) die endgültige Anzahl der angeforderten Dimensionen entspricht der Anzahl der Eingabedimensionen.

Lösung: Erwägen Sie, die Anzahl der Dimensionen in der Ausgabe auf einen Wert zu reduzieren, der kleiner ist als die Anzahl der Dimensionen in der Eingabe. Dies ist typisch in Anwendungen von PCA. Weitere Informationen finden Sie unter "Prinzipalkomponentenanalyse".

Ausnahmemeldungen
Für Datasets, die Sparse-Featurespalten enthalten, sollte die Anzahl der zu reduzierenden Dimensionen kleiner sein als die Anzahl der Featurespalten.

Fehler 0082

Eine Ausnahme tritt auf, wenn ein Modell nicht erfolgreich deserialisiert werden kann.

Dieser Fehler in Machine Learning tritt auf, wenn ein gespeichertes Machine Learning-Modell oder eine Transformation aufgrund einer fehlerhaften Änderung nicht von einer neueren Version der Machine Learning Laufzeit geladen werden kann.

Auflösung: Das Schulungsexperiment, das das Modell oder die Transformation erzeugt hat, muss erneut ausgeführt werden, und das Modell oder die Transformation muss erneut gespeichert werden.

Ausnahmemeldungen
Das Modell konnte nicht deserialisiert werden, da es wahrscheinlich mit einem älteren Serialisierungsformat serialisiert wurde. Trainieren und speichern Sie das Modell erneut.

Fehler 0083

Eine Ausnahme tritt auf, wenn das für das Training verwendete Dataset nicht für einen konkreten Learnertyp verwendet werden kann.

Dieser Fehler in Machine Learning wird erstellt, wenn das Dataset nicht mit dem geschulten Lerner kompatibel ist. Das Dataset kann z. B. mindestens einen fehlenden Wert in den einzelnen Zeilen enthalten, sodass das gesamte Dataset beim Training übersprungen wird. In anderen Fällen erwarten einige Algorithmen des maschinellen Lernens, z. B. die Anomalieerkennung, dass keine Bezeichnungen vorhanden sind. Daher können sie diese Ausnahme auslösen, wenn Bezeichnungen im Dataset vorhanden sind.

Lösung: Ziehen Sie die Dokumentation des Learners zu Rate, der zum Überprüfen der Anforderungen für das Eingabedataset verwendet wird. Überprüfen Sie die Spalten, um sicherzustellen, dass alle erforderlichen Spalten vorhanden sind.

Ausnahmemeldungen
Das für das Training verwendete Dataset ist ungültig.
{0} enthält ungültige Daten für das Training.
{0} enthält ungültige Daten für das Training. Learnertyp: {1}.

Fehler 0084

Eine Ausnahme tritt auf, wenn die von einem R-Skript erzeugten Bewertungen ausgewertet werden. Dies wird derzeit nicht unterstützt.

Dieser Fehler in Machine Learning tritt auf, wenn Sie versuchen, eines der Module zum Auswerten eines Modells mit ausgabe aus einem R-Skript zu verwenden, das Ergebnisse enthält.

Lösung:

Ausnahmemeldungen
Die Auswertung der von R erzeugten Bewertungen wird derzeit nicht unterstützt.

Fehler 0085

Eine Ausnahme tritt auf, wenn bei der Skriptauswertung ein Fehler auftritt.

Dieser Fehler in Machine Learning tritt auf, wenn Sie benutzerdefiniertes Skript ausführen, das Syntaxfehler enthält.

Lösung: Öffnen Sie Ihren Code in einem externen Editor, und prüfen Sie ihn auf Fehler.

Ausnahmemeldungen
Fehler bei der Auswertung des Skripts.
Der folgende Fehler während der Skriptauswertung ist aufgetreten, zeigen Sie das Ausgabeprotokoll an, um weitere Informationen zu erhalten: ---------- Start der Fehlermeldung vom {0} Dolmetscher ---------- {1} ---------- Ende der Fehlermeldung von {0} Dolmetschern ----------

Fehler 0086

Eine Ausnahme tritt auf, wenn eine Zähltransformation ungültig ist.

Dieser Fehler in Machine Learning tritt auf, wenn Sie eine Transformation basierend auf einer Anzahltabelle auswählen, aber die ausgewählte Transformation ist mit den aktuellen Daten oder mit der neuen Anzahltabelle nicht kompatibel.

Auflösung: Das Modul unterstützt das Speichern der Anzahl und Regeln, die die Transformation in zwei verschiedenen Formaten bilden. Stellen Sie beim Zusammenführen von Zahlentabellen sicher, dass beide zusammenzuführenden Tabellen dasselbe Format verwenden.

Im Allgemeinen kann eine zahlenbasierte Transformation nur auf Datasets angewendet werden, die dasselbe Schema aufweisen wie das Dataset, auf dessen Grundlage die Transformation ursprünglich erstellt wurde.

Allgemeine Informationen finden Sie unter Learning mit "Anzahl". Anforderungen für das Erstellen und Zusammenführen von Zählungsfunktionen finden Sie in den folgenden Themen:

• Zusammenführen einer Zähltransformation

• Importieren einer Anzahltabelle

• Ändern von Anzahltabellenparametern

Ausnahmemeldungen
Ungültige Zähltransformation angegeben.
Die Zähltransformation am Eingangsport „{0}“ ist ungültig.
Die Zähltransformation am Eingangsport „{0}“ kann nicht mit der Zähltransformation am Eingangsport „{1}“ zusammengeführt werden. Überprüfen Sie die für die Zählung der Übereinstimmungen verwendeten Metadaten.

Fehler 0087

Eine Ausnahme tritt auf, wenn ein ungültiger Typ der Zahlentabelle für das Lernen mit Zählmodulen angegeben wird.

Dieser Fehler in Machine Learning tritt auf, wenn Sie versuchen, eine vorhandene Anzahltabelle zu importieren, die Tabelle ist jedoch nicht mit den aktuellen Daten oder mit der neuen Anzahltabelle kompatibel.

Auflösung: Es gibt verschiedene Formate zum Speichern der Anzahl und Regeln, die die Transformation bilden. Wenn Sie Zahlentabellen zusammenführen, stellen Sie sicher, dass beide dasselbe Format verwenden.

Im Allgemeinen kann eine zahlenbasierte Transformation nur auf Datasets angewendet werden, die dasselbe Schema aufweisen wie das Dataset, auf dessen Grundlage die Transformation ursprünglich erstellt wurde.

Allgemeine Informationen finden Sie unter Learning mit Anzahl. Anforderungen, die speziell für das Erstellen und Zusammenführen von anzahlbasierten Features gelten, finden Sie in den folgenden Themen:

Fehler 0088

Eine Ausnahme tritt auf, wenn ein ungültiger Zählungstyp für das Lernen mit Zählmodulen angegeben wird.

Dieser Fehler in Machine Learning tritt auf, wenn Sie versuchen, eine andere Zählungsmethode zu verwenden, als für die Anzahlbasierte Featurisierung unterstützt wird.

Auflösung: Im Allgemeinen werden Zählungsmethoden aus einer Dropdownliste ausgewählt, sodass dieser Fehler nicht angezeigt werden sollte.

Allgemeine Informationen finden Sie unter Learning mit Anzahl. Anforderungen, die speziell für das Erstellen und Zusammenführen von anzahlbasierten Features gelten, finden Sie in den folgenden Themen:

• Zusammenführen einer Zähltransformation

• Importieren einer Anzahltabelle

• Ändern von Anzahltabellenparametern

Ausnahmemeldungen
Es wurde ein ungültiger Zählungstyp angegeben.
Der angegebene Zählungstyp „{0}“ ist kein gültiger Zählungstyp.

Fehler 0089

Eine Ausnahme tritt auf, wenn die angegebene Anzahl von Klassen kleiner ist als die tatsächliche Anzahl von Klassen in einem zum Zählen verwendeten Dataset.

Dieser Fehler in Machine Learning tritt auf, wenn Sie eine Anzahltabelle erstellen und die Bezeichnungsspalte eine andere Anzahl von Klassen enthält als in den Modulparametern angegeben.

Auflösung: Überprüfen Sie Ihr Dataset, und erfahren Sie genau, wie viele verschiedene Werte (mögliche Klassen) in der Bezeichnungsspalte vorhanden sind. Beim Erstellen der Zahlentabelle müssen Sie mindestens diese Anzahl von Klassen angeben.

Die Zahlentabelle kann die Anzahl der verfügbaren Klassen nicht automatisch ermitteln.

Wenn Sie die Zahlentabelle erstellen, können Sie weder 0 noch eine Zahl angeben, die kleiner ist als die tatsächliche Anzahl der Klassen in der Bezeichnungsspalte.

Ausnahmemeldungen
Die Anzahl der Klassen ist falsch. Stellen Sie sicher, dass die Anzahl der Klassen, die Sie im Parameterbereich angeben, größer als oder gleich der Anzahl der Klassen in der Bezeichnungsspalte ist.
Die Anzahl der angegebenen Klassen ist „{0}“, die nicht größer ist als ein Bezeichnungswert „{1}“ in dem zum Zählen verwendeten Dataset. Stellen Sie sicher, dass die Anzahl der Klassen, die Sie im Parameterbereich angeben, größer als oder gleich der Anzahl der Klassen in der Bezeichnungsspalte ist.

Fehler 0090

Eine Ausnahme tritt auf, wenn bei der Erstellung der Hive-Tabelle ein Fehler auftritt.

Dieser Fehler in Machine Learning tritt auf, wenn Sie Daten exportieren oder eine andere Option zum Speichern von Daten in einem HDInsight-Cluster verwenden und die angegebene Hive-Tabelle nicht erstellt werden kann.

Lösung: Überprüfen Sie den dem Cluster zugeordneten Azure-Speicherkontonamen und stellen Sie sicher, dass Sie dasselbe Konto in den Moduleigenschaften verwenden.

Ausnahmemeldungen
Die Hive-Tabelle konnte nicht erstellt werden. Stellen Sie für einen HDInsight-Cluster sicher, dass der dem Cluster zugeordnete Azure-Speicherkontoname mit dem identisch ist, der über den Modulparameter übergeben wird.
Die Hive-Tabelle „{0}“ konnte nicht erstellt werden. Stellen Sie für einen HDInsight-Cluster sicher, dass der dem Cluster zugeordnete Azure-Speicherkontoname mit dem identisch ist, der über den Modulparameter übergeben wird.
Die Hive-Tabelle „{0}“ konnte nicht erstellt werden. Stellen Sie für einen HDInsight-Cluster sicher, dass der dem Cluster zugeordnete Azure-Speicherkontoname „{1}“ lautet.

Fehler 0100

Eine Ausnahme tritt auf, wenn für ein benutzerdefiniertes Modul eine nicht unterstützte Sprache angegeben wird.

Dieser Fehler in Machine Learning tritt beim Erstellen eines benutzerdefinierten Moduls und der Nameneigenschaft des Language-Elements in einer benutzerdefinierten Modul-XML-Definitionsdatei einen ungültigen Wert auf. Derzeit ist der einzige gültige Wert für diese Eigenschaft R. Beispiel:

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

Auflösung: Stellen Sie sicher, dass die Nameeigenschaft des Language-Elements in der xml-Definitionsdatei des benutzerdefinierten Moduls auf R" festgelegt ist. Speichern Sie die Datei, aktualisieren Sie das ZIP-Paket des benutzerdefinierten Moduls und versuchen Sie, das benutzerdefinierte Modul erneut hinzuzufügen.

Ausnahmemeldungen
Es wurde eine nicht unterstützte Sprache für das benutzerdefinierte Modul angegeben.

Fehler 0101

Alle Port- und Parameter-IDs müssen eindeutig sein.

Dieser Fehler in Machine Learning tritt auf, wenn ein oder mehrere Ports oder Parameter dem gleichen ID-Wert in einer xml-Definitionsdatei für benutzerdefinierte Module zugewiesen werden.

Auflösung: Überprüfen Sie, ob die ID-Werte über alle Ports und Parameter eindeutig sind. Speichern Sie die XML-Datei, aktualisieren Sie das ZIP-Paket des benutzerdefinierten Moduls und versuchen Sie, das benutzerdefinierte Modul erneut hinzuzufügen.

Ausnahmemeldungen
Alle Port- und Parameter-IDs für ein Modul müssen eindeutig sein.
Das Modul „{0}“ weist doppelte Port-/Argument-IDs auf. Alle Port-/Argument-IDs müssen für ein Modul eindeutig sein.

Fehler 0102

Wird ausgelöst, wenn eine ZIP-Datei nicht extrahiert werden kann.

Dieser Fehler in Machine Learning tritt auf, wenn Sie ein zipped-Paket mit der .zip-Erweiterung importieren, aber das Paket ist entweder keine Zip-Datei, oder die Datei verwendet kein unterstütztes Zip-Format.

Lösung: Stellen Sie sicher, dass es sich bei der ausgewählten Datei um eine gültige ZIP-Datei handelt und dass sie mit einem der unterstützten Komprimierungsalgorithmen komprimiert wurde.

Wenn Sie beim Importieren von Datasets in komprimiertem Format diesen Fehler erhalten, überprüfen Sie, ob alle enthaltenen Dateien eines der unterstützten Dateiformate verwenden und im Unicode-Format vorliegen. Weitere Informationen finden Sie unter Entpacken von Zipped-Datasets.

Versuchen Sie, die gewünschten Dateien in einen neuen komprimierten gezippten Ordner zu lesen und versuchen Sie, das benutzerdefinierte Modul erneut hinzuzufügen.

Ausnahmemeldungen
Die angegebene ZIP-Datei weist nicht das richtige Format auf.

Fehler 0103

Wird ausgelöst, wenn eine ZIP-Datei keine XML-Dateien enthält.

Dieser Fehler in Machine Learning tritt auf, wenn das zip-Paket des benutzerdefinierten Moduls keine Moduldefinitionsdateien (.xml) enthält. Diese Dateien müssen sich im Stammverzeichnis des ZIP-Pakets befinden (z. B. nicht in einem Unterordner).

Auflösung: Vergewissern Sie sich, dass eine oder mehrere XML-Moduldefinitionsdateien im Stammordner des ZIP-Pakets enthalten sind, indem Sie sie in einen temporären Ordner auf Ihrem Datenträger extrahieren. Alle XML-Dateien sollten sich direkt in dem Ordner befinden, in den Sie das ZIP-Paket extrahiert haben. Stellen Sie sicher, dass Sie beim Erstellen des Zip-Pakets, das keinen Ordner auswählen, der xml-Dateien enthält, um zu zipieren, da dadurch ein Unterordner im Zip-Paket mit demselben Namen wie der Ordner erstellt wird, den Sie zum Zip-Format ausgewählt haben.

Ausnahmemeldungen
Die angegebene ZIP-Datei enthält keine Moduldefinitionsdateien (XML-Dateien).

Fehler 0104

Wird ausgelöst, wenn eine Moduldefinitionsdatei auf ein Skript verweist, das nicht gefunden werden kann.

Dieser Fehler in Machine Learning wird ausgelöst, wenn eine benutzerdefinierte XML-Definitionsdatei auf eine Skriptdatei im Language-Element verweist, das nicht im ZIP-Paket vorhanden ist. Der Pfad der Skriptdatei ist in der sourceFile-Eigenschaft des Elements Language (Sprache) definiert. Der Pfad zur Quelldatei ist relativ zum Stammverzeichnis des ZIP-Pakets (derselbe Speicherort wie die XML-Moduldefinitionsdateien). Wenn sich die Skriptdatei in einem Unterordner befindet, muss der relative Pfad zur Skriptdatei angegeben werden. Wenn z. B. alle Skripts in einem Ordner myScripts innerhalb des ZIP-Pakets gespeichert wären, müsste das Element Language diesen Pfad zur sourceFile-Eigenschaft wie folgt hinzufügen. Beispiel:

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

Auflösung: Stellen Sie sicher, dass der Wert der SourceFile-Eigenschaft im Language-Element der xml-Definition des benutzerdefinierten Moduls richtig ist und dass die Quelldatei im richtigen relativen Pfad im ZIP-Paket vorhanden ist.

Ausnahmemeldungen
Die verwiesene R-Skriptdatei ist nicht vorhanden.
Die verwiesene R-Skriptdatei „{0}“ konnte nicht gefunden werden. Stellen Sie sicher, dass der relative Pfad zur Datei vom Speicherort der Definitionen richtig ist.

Fehler 0105

Dieser Fehler wird angezeigt, wenn eine Moduldefinitionsdatei einen nicht unterstützten Parametertyp enthält.

Dieser Fehler in Machine Learning wird erstellt, wenn Sie eine benutzerdefinierte Modul-XML-Definition erstellen und den Typ eines Parameters oder Arguments in der Definition nicht mit einem unterstützten Typ übereinstimmen.

Lösung: Stellen Sie sicher, dass die Typeigenschaft eines beliebigen Arg-Elements in der XML-Definitionsdatei für das benutzerdefinierte Modul ein unterstützter Typ ist.

Ausnahmemeldungen
Nicht unterstützter Parametertyp.
Es wurde der nicht unterstützte Parametertyp „{0}“ angegeben.

Fehler 0106

Wird ausgelöst, wenn eine Moduldefinitionsdatei einen nicht unterstützten Eingabetyp definiert.

Dieser Fehler in Machine Learning wird erstellt, wenn der Typ eines Eingabeports in einer benutzerdefinierten Modul-XML-Definition nicht mit einem unterstützten Typ übereinstimmt.

Auflösung: Stellen Sie sicher, dass die Typeigenschaft eines Input-Elements in der XML-Definitionsdatei des benutzerdefinierten Moduls ein unterstütztes Typ ist.

Ausnahmemeldungen
Nicht unterstützter Eingabetyp.
Es wurde ein nicht unterstützter Eingabetyp „{0}“ angegeben.

Fehler 0107

Wird ausgelöst, wenn eine Moduldefinitionsdatei einen nicht unterstützten Ausgabetyp definiert.

Dieser Fehler in Machine Learning wird erstellt, wenn der Typ eines Ausgabeports in einer benutzerdefinierten Modul-XML-Definition nicht mit einem unterstützten Typ übereinstimmt.

Lösung: Stellen Sie sicher, dass die Typeigenschaft eines Ausgabeelements in der XML-Definitionsdatei des benutzerdefinierten Moduls ein unterstützter Typ ist.

Ausnahmemeldungen
Nicht unterstützter Ausgabetyp.
Es wurde ein nicht unterstützter Ausgabetyp „{0}“ angegeben.

Fehler 0108

Wird ausgelöst, wenn eine Moduldefinitionsdatei mehr Ein- oder Ausgangsports definiert, als unterstützt werden.

Dieser Fehler in Machine Learning wird erzeugt, wenn zu viele Eingabe- oder Ausgabeports in einer benutzerdefinierten Modul-XML-Definition definiert sind.

Auflösung: Stellt sicher, dass die maximale Anzahl der in der xml-Definition des benutzerdefinierten Moduls definierten Eingabe- und Ausgabeports nicht die maximale Anzahl der unterstützten Ports überschreitet.

Ausnahmemeldungen
Die Anzahl der unterstützten Ein- und Ausgangsports wurde überschritten.
Die Anzahl der unterstützten „{0}“ Ports wurde überschritten. Die maximal zulässige Anzahl von „{0}“-Ports ist „{1}“.

Fehler 0109

Wird ausgelöst, wenn eine Moduldefinitionsdatei eine Spaltenauswahl nicht richtig definiert.

Dieser Fehler in Machine Learning wird erstellt, wenn die Syntax für ein Spaltenauswahlargument einen Fehler in einer benutzerdefinierten Modul-XML-Definition enthält.

Auflösung: Dieser Fehler wird erzeugt, wenn die Syntax für ein Spaltenauswahlargument einen Fehler in einer benutzerdefinierten Modul-XML-Definition enthält.

Ausnahmemeldungen
Nicht unterstützte Syntax für die Spaltenauswahl.

Fehler 0110

Wird ausgelöst, wenn eine Moduldefinitionsdatei eine Spaltenauswahl definiert, die auf eine nicht vorhandene Eingangsport-ID verweist.

Dieser Fehler in Machine Learning wird erstellt, wenn die PortId-Eigenschaft im Eigenschaftenelement eines Arg of type ColumnPicker nicht mit dem ID-Wert eines Eingabeports übereinstimmt.

Auflösung: Stellen Sie sicher, dass die PortId-Eigenschaft dem ID-Wert eines Eingabeports entspricht, der in der xml-Definition des benutzerdefinierten Moduls definiert ist.

Ausnahmemeldungen
Die Spaltenauswahl verweist auf eine nicht vorhandene Eingangsport-ID.
Die Spaltenauswahl verweist auf eine nicht vorhandene Eingangsport-ID „{0}“.

Fehler 0111

Wird ausgelöst, wenn eine Moduldefinitionsdatei eine ungültige Eigenschaft definiert.

Dieser Fehler in Machine Learning wird erstellt, wenn eine ungültige Eigenschaft einem Element in der XML-Definition des benutzerdefinierten Moduls zugewiesen wird.

Auflösung: Stellen Sie sicher, dass die Eigenschaft vom benutzerdefinierten Modulelement unterstützt wird.

Ausnahmemeldungen
Die Eigenschaftsdefinition ist ungültig.
Die Eigenschaftsdefinition „{0}“ ist ungültig.

Fehler 0112

Wird ausgelöst, wenn eine Moduldefinitionsdatei nicht analysiert werden kann.

Dieser Fehler in Machine Learning wird erstellt, wenn ein Fehler im XML-Format vorhanden ist, der verhindert, dass die benutzerdefinierte Modul-XML-Definition als gültige XML-Datei analysiert wird.

Auflösung: Stellen Sie sicher, dass jedes Element ordnungsgemäß geöffnet und geschlossen wird. Stellen Sie sicher, dass die XML-Formatierung keine Fehler aufweist.

Ausnahmemeldungen
Die Moduldefinitionsdatei konnte nicht analysiert werden.
Die Moduldefinitionsdatei „{0}“ konnte nicht analysiert werden.

Fehler 0113

Wird ausgelöst, wenn eine Moduldefinitionsdatei Fehler enthält.

Dieser Fehler in Machine Learning wird erstellt, wenn die XML-Definitionsdatei des benutzerdefinierten Moduls analysiert werden kann, aber Fehler enthält, z. B. die Definition von Elementen, die von benutzerdefinierten Modulen nicht unterstützt werden.

Auflösung: Stellen Sie sicher, dass die benutzerdefinierte Moduldefinitionsdatei Elemente und Eigenschaften definiert, die von benutzerdefinierten Modulen unterstützt werden.

Ausnahmemeldungen
Die Moduldefinitionsdatei enthält Fehler.
Die Moduldefinitionsdatei „{0}“ enthält Fehler.
Die Moduldefinitionsdatei „{0}“ enthält Fehler. {1}

Fehler 0114

Wird ausgelöst, wenn beim Erstellen eines benutzerdefinierten Moduls ein Fehler auftritt.

Dieser Fehler in Machine Learning wird erstellt, wenn ein benutzerdefinierter Modulbuild fehlschlägt. Dies tritt auf, wenn beim Hinzufügen des benutzerdefinierten Moduls mindestens ein auf das benutzerdefinierte Modul bezogener Fehler erkannt wird. Die weiteren Fehler werden in dieser Fehlermeldung angezeigt.

Auflösung: Beheben Sie die in dieser Ausnahmenachricht gemeldeten Fehler.

Ausnahmemeldungen
Fehler beim Erstellen des benutzerdefinierten Moduls.
Fehler beim Erstellen des benutzerdefinierten Moduls: {0}

Fehler 0115

Wird ausgelöst, wenn ein Standardskript für ein benutzerdefiniertes Modul eine nicht unterstützte Erweiterung aufweist.

Dieser Fehler in Machine Learning tritt auf, wenn Sie ein Skript für ein benutzerdefiniertes Modul bereitstellen, das eine unbekannte Dateinamenerweiterung verwendet.

Auflösung: Überprüfen Sie die Dateiformat- und Dateinamenerweiterung aller Skriptdateien, die im benutzerdefinierten Modul enthalten sind.

Ausnahmemeldungen
Nicht unterstützte Erweiterung für Standardskript.
Nicht unterstützte Dateierweiterung „{0}“ für Standardskript.

Fehler 0121

Wird ausgelöst, wenn SQL-Schreibfehler auftreten, da nicht in die Tabelle geschrieben werden kann.

Dieser Fehler in Machine Learning wird erstellt, wenn Sie das Exportdatenmodul verwenden, um Ergebnisse in einer SQL-Datenbank zu speichern, und die Tabelle kann nicht geschrieben werden. Normalerweise wird dieser Fehler angezeigt, wenn das Modul Export Data (Daten exportieren) erfolgreich eine Verbindung mit der SQL Server-Instanz herstellt, dann aber den Inhalt des Azure ML-Datasets nicht in die Tabelle schreiben kann.

Lösung:

• Öffnen Sie den Eigenschaftenbereich des Moduls Export Data (Daten exportieren) und überprüfen Sie, ob die Datenbank- und Tabellennamen ordnungsgemäß eingegeben wurden.
• Überprüfen Sie das Schema des zu exportierenden Datasets und stellen Sie sicher, dass die Daten mit der Zieltabelle kompatibel sind.
• Überprüfen Sie, ob die SQL-Anmeldung, die mit dem Benutzernamen und dem Kennwort verknüpft ist, über die Berechtigung zum Schreiben in die Tabelle verfügt.
• Wenn die Ausnahme zusätzliche Fehlerinformationen von SQL Server enthält, verwenden Sie diese Informationen, um Korrekturen vorzunehmen.

Ausnahmemeldungen
Mit Server verbunden, es kann aber nicht in die Tabelle geschrieben werden.
Es kann nicht in die SQL-Tabelle geschrieben werden: {0}

Fehler 0122

Eine Ausnahme tritt auf, wenn mehrere Gewichtungsspalten angegeben sind und nur eine einzelne Spalte zulässig ist.

Dieser Fehler in Machine Learning tritt auf, wenn zu viele Spalten als Gewichtungsspalten ausgewählt wurden.

Auflösung: Überprüfen Sie den Eingabedatensatz und seine Metadaten. Stellen Sie sicher, dass nur eine Spalte Gewichtungen enthält.

Ausnahmemeldungen
Es sind mehrere Gewichtungsspalten angegeben.

Fehler 0123

Eine Ausnahme tritt auf, wenn die Spalte der Vektoren als Bezeichnungsspalte angegeben ist.

Dieser Fehler in Machine Learning tritt auf, wenn Sie einen Vektor als Beschriftungsspalte verwenden.

Auflösung: Ändern Sie das Datenformat der Spalte, falls erforderlich, oder wählen Sie eine andere Spalte aus.

Ausnahmemeldungen
Die Spalte der Vektoren ist als Bezeichnungsspalte angegeben.

Fehler 0124

Eine Ausnahme tritt auf, wenn nicht numerische Spalten als Gewichtungsspalte angegeben sind.

Lösung:

Ausnahmemeldungen
Die nicht numerische Spalte ist als Gewichtungsspalte angegeben.

Fehler 0125

Wird ausgelöst, wenn das Schema für mehrere Datasets nicht übereinstimmt.

Lösung:

Ausnahmemeldungen
Das Datasetschema stimmt nicht überein.

Fehler 0126

Eine Ausnahme tritt auf, wenn der Benutzer eine SQL-Domäne angibt, die in Azure ML nicht unterstützt wird.

Dieser Fehler wird erstellt, wenn der Benutzer eine SQL Domäne angibt, die in Machine Learning nicht unterstützt wird. Dieser Fehler wird angezeigt, wenn Sie versuchen, eine Verbindung mit einem Datenbankserver in einer Domäne herzustellen, die sich nicht in der zulässigen Liste befindet. Derzeit sind die zulässigen SQL-Domänen: „.database.windows.net“, „.cloudapp.net“ oder „.database.secure.windows.net“. Das heißt, der Server muss ein Azure SQL-Server oder ein Server auf einem virtuellen Computer in Azure sein.

Lösung: Rufen Sie das Modul erneut auf. Überprüfen Sie, ob der SQL-Datenbankserver zu einer der akzeptierten Domänen gehört:

• .database.windows.net

• .cloudapp.net

• .database.secure.windows.net

Ausnahmemeldungen
Nicht unterstützte SQL-Domäne.
Die SQL-Domäne {0} wird derzeit in Azure ML nicht unterstützt.

Fehler 0127

Die Bildpixelgröße überschreitet den zulässigen Grenzwert.

Dieser Fehler tritt auf, wenn Sie Bilder aus einem Bilddataset zur Klassifizierung lesen und die Bilder größer sind, als das Modell verarbeiten kann.

Auflösung: Weitere Informationen zur Bildgröße und anderen Anforderungen finden Sie in den folgenden Themen:

• Importieren von Bildern

• Pretrained Cascade Image Classification (Vortrainierte Kaskadenbildklassifizierung)

Ausnahmemeldungen
Die Bildpixelgröße überschreitet den zulässigen Grenzwert.
Die Bildpixelgröße in der Datei „{0}“ überschreitet den zulässigen Grenzwert: „{1}“

Fehler 0128

Die Anzahl der bedingten Wahrscheinlichkeiten für kategorische Spalten überschreitet den Grenzwert.

Lösung:

Ausnahmemeldungen
Die Anzahl der bedingten Wahrscheinlichkeiten für kategorische Spalten überschreitet den Grenzwert.
Die Anzahl der bedingten Wahrscheinlichkeiten für kategorische Spalten überschreitet den Grenzwert. Die Spalten „{0}“ und „{1}“ sind das problembehaftete Paar.

Fehler 0129

Die Anzahl der Spalten im Dataset überschreitet den zulässigen Grenzwert.

Lösung:

Ausnahmemeldungen
Die Anzahl der Spalten im Dataset überschreitet den zulässigen Grenzwert.
Die Anzahl der Spalten im Dataset in „{0}“ überschreitet den zulässigen Grenzwert.
Die Anzahl der Spalten im Dataset in „{0}“ überschreitet den zulässigen Grenzwert von „{1}“.
Die Anzahl der Spalten im Dataset in „{0}“ überschreitet den zulässigen „{1}“-Grenzwert von „{2}“.

Fehler 0130

Eine Ausnahme tritt auf, wenn alle Zeilen des Trainingsdatasets fehlende Werte enthalten.

Dies tritt auf, wenn eine Spalte im Trainingsdataset leer ist.

Auflösung: Verwenden Sie das Modul "Fehlende Daten bereinigen ", um Spalten mit allen fehlenden Werten zu entfernen.

Ausnahmemeldungen
Alle Zeilen im Trainingsdataset enthalten fehlende Werte. Erwägen Sie, das Modul „Clean Missing Data“ (Fehlende Daten bereinigen) zu verwenden, um fehlende Werte zu entfernen.

Fehler 0131

Eine Ausnahme tritt auf, wenn mindestens ein Dataset in einer ZIP-Datei nicht entzippt und ordnungsgemäß registriert werden kann.

Dieser Fehler tritt auf, wenn mindestens ein Dataset in einer ZIP-Datei nicht entzippt und ordnungsgemäß gelesen werden kann. Sie erhalten diesen Fehler, wenn beim Entpacken ein Fehler erkannt wird, da die ZIP-Datei selbst oder eine der darin enthaltenen Dateien beschädigt ist. Sie erhalten den Fehler auch, wenn beim Entpacken und Erweitern einer Datei ein Systemfehler auftritt.

Auflösung: Verwenden Sie die in der Fehlermeldung angegebenen Details, um zu bestimmen, wie Sie fortfahren.

Ausnahmemeldungen
Fehler beim Hochladen gezippter Datasets.
Fehler beim gezippten Dataset {0} mit folgender Meldung: {1}
Fehler beim gezippten Dataset {0} mit einer {1}-Ausnahme mit folgender Meldung: {2}

Fehler 0132

Für das Entpacken wurde kein Dateiname angegeben. Es wurden mehrere Dateien in der ZIP-Datei gefunden.

Dieser Fehler tritt auf, wenn für das Entpacken kein Dateiname angegeben wurde. Es wurden mehrere Dateien in der ZIP-Datei gefunden. Sie erhalten diesen Fehler, wenn die ZIP-Datei mehr als eine komprimierte Datei enthält, aber Sie im Textfeld Dataset to Unpack (Zu entpackendes Dataset) im Bereich Property (Eigenschaft) des Moduls keine Datei zum Extrahieren angegeben haben. Derzeit kann bei jedem Modulstart nur eine Datei extrahiert werden.

Auflösung: Die Fehlermeldung enthält eine Liste der Dateien, die in der datei .zip gefunden wurden. Kopieren Sie den Namen der gewünschten Datei, und fügen Sie sie in das Textfeld Dataset to Unpack (Zu entpackendes Dataset) ein.

Ausnahmemeldungen
Die ZIP-Datei enthält mehrere Dateien. Sie müssen die zu erweiternde Datei angeben.
Die Datei enthält mehr als eine Datei. Geben Sie die zu erweiternde Datei an. Die folgenden Dateien wurden gefunden: {0}

Fehler 0133

Die angegebene Datei wurde in der ZIP-Datei nicht gefunden.

Dieser Fehler tritt auf, wenn der im Feld Dataset to Unpack (Zu entpackendes Dataset) des Bereichs Property (Eigenschaft) eingegebene Dateiname nicht mit dem Namen einer Datei in der ZIP-Datei übereinstimmt. Die häufigsten Ursachen für diesen Fehler sind Tippfehler oder die Suche nach der falschen Archivdatei für die zu erweiternde Datei.

Lösung: Rufen Sie das Modul erneut auf. Wenn der Name der zu entpackenden Datei in der Liste der gefundenen Dateien angezeigt wird, kopieren Sie den Dateinamen und fügen Sie ihn in das Eigenschaftsfeld Dataset to Unpack (Zu entpackendes Dataset) ein. Wenn der gewünschte Dateiname nicht in der Liste angezeigt wird, überprüfen Sie, ob Sie über die richtige ZIP-Datei und den richtigen Namen für die gewünschte Datei verfügen.

Ausnahmemeldungen
Die angegebene Datei wurde in der ZIP-Datei nicht gefunden.
Die angegebene Datei wurde nicht gefunden. Folgende Datei(en) wurde(n) gefunden: {0}

Fehler 0134

Eine Ausnahme tritt auf, wenn die Bezeichnungsspalte fehlt oder die Anzahl der bezeichneten Zeilen nicht ausreicht.

Dieser Fehler tritt auf, wenn das Modul eine Bezeichnungsspalte erfordert, Sie aber keine in die Spaltenauswahl einbezogen haben, oder wenn der Bezeichnungsspalte zu viele Werte fehlen.

Dieser Fehler kann auch auftreten, wenn eine vorhergehende Operation das Dataset so ändert, dass für eine Downstream-Operation nicht ausreichend Zeilen zur Verfügung stehen. Nehmen Sie z. B. an, Sie verwenden einen Ausdruck im Modul Partition and Sample (Partition und Beispiel), um ein Dataset durch Werte zu teilen. Wenn für Ihren Ausdruck keine Übereinstimmungen gefunden werden, ist eines der Datasets, die sich aus der Partition ergeben, leer.

Lösung:

Wenn Sie eine Beschriftungsspalte in die Spaltenauswahl einfügen, aber nicht erkannt werden, verwenden Sie das Modul "Metadaten bearbeiten ", um sie als Beschriftungsspalte zu markieren.

Verwenden Sie das Modul "Daten zusammenfassen ", um einen Bericht zu generieren, der zeigt, wie viele Werte in jeder Spalte fehlen. Anschließend können Sie das Modul Clean Missing Data (Fehlende Daten bereinigen) verwenden, um Zeilen mit fehlenden Werten in der Bezeichnungsspalte zu entfernen.

Überprüfen Sie Ihre Eingabedatasets, um sicherzustellen, dass sie gültige Daten und ausreichend Zeilen enthalten, um die Anforderungen der Operation zu erfüllen. Viele Algorithmen erzeugen eine Fehlermeldung, wenn sie eine Mindestanzahl von Datenzeilen benötigen, aber die Daten nur wenige Zeilen oder nur eine Kopfzeile enthalten.

Ausnahmemeldungen
Eine Ausnahme tritt auf, wenn die Bezeichnungsspalte fehlt oder die Anzahl der bezeichneten Zeilen nicht ausreicht.
Eine Ausnahme tritt auf, wenn die Bezeichnungsspalte fehlt oder weniger als {0} bezeichnete Zeilen aufweist.

Fehler 0135

Es wird nur ein schwerpunktbasierter Cluster unterstützt.

Auflösung: Möglicherweise tritt diese Fehlermeldung auf, wenn Sie versucht haben, ein Clusteringmodell auszuwerten, das auf einem benutzerdefinierten Clusteringalgorithmus basiert, der keine Centroids zum Initialisieren des Clusters verwendet.

Sie können das Auswertungsmodell verwenden, um Clusteringmodelle auszuwerten, die auf dem K-Means-Clustering-Modul basieren. Verwenden Sie für benutzerdefinierte Algorithmen das Execute R Script-Modul , um ein benutzerdefiniertes Auswertungsskript zu erstellen.

Ausnahmemeldungen
Es wird nur ein schwerpunktbasierter Cluster unterstützt.

Fehler 0136

Es wurde kein Dateiname zurückgegeben. Die Datei konnte daher nicht verarbeitet werden.

Lösung:

Ausnahmemeldungen
Es wurde kein Dateiname zurückgegeben. Die Datei konnte daher nicht verarbeitet werden.

Fehler 0137

Das Azure Storage SDK hat beim Lesen oder Schreiben einen Fehler bei der Konvertierung zwischen Tabelleneigenschaften und Datasetspalten erkannt.

Lösung:

Ausnahmemeldungen
Konvertierungsfehler zwischen Azure-Tabellenspeichereigenschaft und Datasetspalte.
Konvertierungsfehler zwischen Azure-Tabellenspeichereigenschaft und Datasetspalte. Weitere Informationen: {0}

Fehler 0138

Der Arbeitsspeicher ist ausgeschöpft, die Ausführung des Moduls kann nicht abgeschlossen werden. Das Downsampling des Datasets kann dabei helfen, das Problem zu beheben.

Dieser Fehler tritt auf, wenn das ausgeführte Modul mehr Arbeitsspeicher erfordert, als im Azure-Container verfügbar ist. Dies kann vorkommen, wenn Sie mit einem großen Dataset arbeiten und die aktuelle Operation nicht in den Arbeitsspeicher passt.

Lösung: Wenn Sie versuchen, ein großes Dataset zu lesen und die Operation nicht abgeschlossen werden kann, ist es möglicherweise hilfreich, ein Downsampling für das Dataset durchzuführen.

Wenn Sie die Visualisierungen für Datasets verwenden, um die Kardinalität von Spalten zu überprüfen, werden nur einige Zeilen abgemustert. Um einen vollständigen Bericht zu erhalten, verwenden Sie Zusammenfassungsdaten. Sie können auch die "Apply SQL Transformation" verwenden, um die Anzahl eindeutiger Werte in jeder Spalte zu überprüfen.

Manchmal können vorübergehende Lasten zu diesem Fehler führen. Die Computerunterstützung ändert sich auch im Laufe der Zeit. Eine Beschreibung der unterstützten Datengröße finden Sie in den häufig gestellten Fragen Machine Learning.

Versuchen Sie, die Hauptkomponentenanalyse oder eine der bereitgestellten Featureauswahlmethoden zu verwenden, um das Dataset auf einen kleineren Satz von mehr funktionsreichen Spalten zu reduzieren: Featureauswahl

Ausnahmemeldungen
Der Arbeitsspeicher ist ausgeschöpft, die Ausführung des Moduls kann nicht abgeschlossen werden.

Fehler 0139

Eine Ausnahme tritt auf, wenn es nicht möglich ist, eine Spalte in einen anderen Typ zu konvertieren.

Dieser Fehler in Machine Learning tritt auf, wenn Sie versuchen, eine Spalte in einen anderen Datentyp zu konvertieren, aber dieser Typ wird vom aktuellen Vorgang oder vom Modul nicht unterstützt.

Der Fehler kann auch auftreten, wenn ein Modul versucht, Daten implizit zu konvertieren, um den Anforderungen des aktuellen Moduls zu entsprechen, aber die Konvertierung ist nicht möglich.

Lösung:

1. Überprüfen Sie Ihre Eingabedaten und ermitteln Sie den genauen Datentyp der zu verwendenden Spalte und den Datentyp der Spalte, die den Fehler verursacht. Gelegentlich können Sie den Eindruck erhalten, dass der richtige Datentyp verwendet wird, aber dann stellen Sie fest, dass eine Upstream-Operation den Datentyp oder die Verwendung einer Spalte geändert hat. Verwenden Sie das Modul Edit Metadata (Metadaten bearbeiten), um die Spaltenmetadaten in ihren ursprünglichen Zustand zurückzusetzen.

2. Überprüfen Sie auf der Modulhilfeseite die Anforderungen für die angegebene Operation. Ermitteln Sie, welche Datentypen das aktuelle Modul unterstützt und welcher Wertebereich unterstützt wird.

3. Wenn Werte abgeschnitten, gerundet oder Ausreißer entfernt werden müssen, verwenden Sie die Module "Mathematischer Vorgang anwenden" oder " Clip Values ", um Korrekturen vorzunehmen.

4. Überlegen Sie, ob es möglich ist, die Spalte in einen anderen Datentyp zu konvertieren oder umzuwandeln. Die folgenden Module bieten alle eine hohe Flexibilität und Leistungsfähigkeit beim Ändern von Daten:

   • Anwenden der SQL-Transformation
   • Ausführen von R-Skripts
   • Python-Skript ausführen.

Hinweis

Funktioniert es immer noch nicht? Stellen Sie ggf. zusätzliches Feedback zum Problem bereit, um uns dabei zu helfen, bessere Anleitungen zur Problembehandlung zu entwickeln. Übermitteln Sie das Feedback einfach auf dieser Seite, und geben Sie den Namen des fehlerhaften Moduls sowie die Datentypkonvertierung auf, bei der ein Fehler aufgetreten ist.

Ausnahmemeldungen
Nicht zulässige Konvertierung.
Konnte nicht konvertiert werden: {0}.
Konnte nicht konvertiert werden: {0}, in Zeile {1}.
Es konnte die Spalte vom Typ {0} nicht in eine Spalte vom Typ {1} in der Zeile {2} konvertiert werden.
Es konnte die Spalte „{2}“ vom Typ {0} nicht in eine Spalte vom Typ {1} in der Zeile {3} konvertiert werden.
Es konnte die Spalte „{2}“ vom Typ {0} nicht in die Spalte „{3}“ vom Typ {1} in der Zeile {4} konvertiert werden.

Fehler 0140

Eine Ausnahme tritt auf, wenn das übergebene Spaltensatzargument keine anderen Spalten außer der Bezeichnungsspalte enthält.

Dieser Fehler tritt auf, wenn Sie ein Dataset mit einem Modul verbunden haben, das mehrere Spalten erfordert (einschließlich Features), aber nur die Bezeichnungsspalte bereitgestellt haben.

Auflösung: Wählen Sie mindestens eine Featurespalte aus, die in das Dataset eingeschlossen werden soll.

Ausnahmemeldungen
Der angegebene Spaltensatz enthält keine anderen Spalten außer der Bezeichnungsspalte.

Fehler 0141

Eine Ausnahme tritt auf, wenn die Anzahl der ausgewählten numerischen Spalten und eindeutigen Werte in den kategorischen und Zeichenfolgenspalten zu klein ist.

Dieser Fehler in Machine Learning tritt auf, wenn nicht genügend eindeutige Werte in der ausgewählten Spalte vorhanden sind, um den Vorgang auszuführen.

Lösung: Einige Operationen führen statistische Vorgänge für Feature- und kategorische Spalten durch, und wenn nicht genügend Werte vorhanden sind, kann bei der Operation ein Fehler auftreten oder ein ungültiges Ergebnis ausgegeben werden. Überprüfen Sie Ihr Dataset, um zu sehen, wie viele Werte in den Spalten "Fett" und "Bezeichnung" vorhanden sind, und ermitteln Sie, ob der Vorgang, den Sie ausführen möchten, statistisch gültig ist.

Wenn das Quelldataset gültig ist, können Sie auch überprüfen, ob eine Upstream-Datenmanipulation oder Metadatenoperation die Daten geändert und einige Werte entfernt hat.

Wenn Upstream-Operationen die Aufteilung, Stichprobenentnahme oder Wiederholungsprobennahme umfassen, überprüfen Sie, ob die Ausgaben die erwartete Anzahl von Zeilen und Werten enthalten.

Ausnahmemeldungen
Die Anzahl der ausgewählten numerischen Spalten und eindeutigen Werte in den kategorischen und Zeichenfolgenspalten ist zu klein.
Die Gesamtzahl der ausgewählten numerischen Spalten und eindeutigen Werte in den kategorischen und Zeichenfolgenspalten (aktuell {0}) muss mindestens {1} sein.

Fehler 0142

Eine Ausnahme tritt auf, wenn das System das Zertifikat zur Authentifizierung nicht laden kann.

Lösung:

Ausnahmemeldungen
Das Zertifikat kann nicht geladen werden.
Das Zertifikat {0} kann nicht geladen werden. Sein Fingerabdruck ist {1}.

Fehler 0143

Die vom Benutzer bereitgestellte URL, die von GitHub stammen soll, kann nicht analysiert werden.

Dieser Fehler in Machine Learning tritt auf, wenn Sie eine ungültige URL angeben und das Modul eine gültige GitHub-URL erfordert.

Auflösung: Stellen Sie sicher, dass die URL auf ein gültiges GitHub-Repository verweist. Andere Websitetypen werden nicht unterstützt.

Ausnahmemeldungen
Die URL stammt nicht von „github.com“.
Die URL stammt nicht von „github.com“: {0}

Fehler 0144

Der vom Benutzer bereitgestellten GitHub-URL fehlt der erwartete Teil.

Dieser Fehler in Machine Learning tritt auf, wenn Sie eine GitHub Dateiquelle mit einem ungültigen URL-Format angeben.

Auflösung: Überprüfen Sie, ob die URL des GitHub-Repositorys gültig ist und mit \blob\ oder \tree\ endet.

Ausnahmemeldungen
Die GitHub-URL kann nicht analysiert werden.
GitHub URL kann nicht analysiert werden (erwartet "\blob\" oder "\tree\" nach dem Repositorynamen):{0}

Fehler 0145

Das Replikationsverzeichnis kann aus einem bestimmten Grund nicht erstellt werden.

Dieser Fehler in Machine Learning tritt auf, wenn das Modul das angegebene Verzeichnis nicht erstellt.

Lösung:

Ausnahmemeldungen
Das Replikationsverzeichnis konnte nicht erstellt werden.

Fehler 0146

Wenn die Benutzerdateien in das lokale Verzeichnis entzippt werden, ist der kombinierte Pfad möglicherweise zu lang.

Dieser Fehler in Machine Learning tritt auf, wenn Sie Dateien extrahieren, aber einige Dateinamen sind zu lang, wenn sie nicht komprimiert werden.

Auflösung: Bearbeiten Sie die Dateinamen, z. B. den kombinierten Pfad und dateinamen, nicht mehr als 248 Zeichen.

Ausnahmemeldungen
Der Replikationspfad ist länger als 248 Zeichen, kürzen Sie den Skriptnamen oder Pfad.

Fehler 0147

Aus irgendeinem Grund konnten keine Dateien von GitHub heruntergeladen werden.

Dieser Fehler in Machine Learning tritt auf, wenn Sie die angegebenen Dateien nicht aus GitHub lesen oder herunterladen können.

Auflösung: Das Problem kann vorübergehend sein; Möglicherweise versuchen Sie, zu einem anderen Zeitpunkt auf die Dateien zuzugreifen. Oder stellen Sie sicher, dass Sie über die erforderlichen Berechtigungen verfügen und dass die Quelle gültig ist.

Ausnahmemeldungen
Fehler beim Zugriff auf GitHub.
Fehler beim Zugriff auf GitHub. {0}

Fehler 0148

Probleme mit nicht autorisiertem Zugriff beim Extrahieren von Daten oder Erstellen von Verzeichnissen.

Dieser Fehler in Machine Learning tritt auf, wenn Sie versuchen, ein Verzeichnis zu erstellen oder Daten aus dem Speicher zu lesen, aber nicht über die erforderlichen Berechtigungen verfügen.

Lösung:

Ausnahmemeldungen
Ausnahme für nicht autorisierten Zugriff beim Extrahieren von Daten.

Fehler 0149

Die Benutzerdatei ist nicht im GitHub-Paket vorhanden.

Dieser Fehler in Machine Learning tritt auf, wenn die angegebene Datei nicht gefunden werden kann.

Lösung:

Ausnahmemeldungen
Die GitHub-Datei konnte nicht gefunden werden.
Die GitHub-Datei konnte nicht gefunden werden: {0}

Fehler 0150

Die aus dem Benutzerpaket stammenden Skripts konnten nicht entzippt werden, was höchstwahrscheinlich auf einen Konflikt mit GitHub-Dateien zurückzuführen ist.

Dieser Fehler in Machine Learning tritt auf, wenn ein Skript nicht extrahiert werden kann, in der Regel, wenn eine vorhandene Datei mit demselben Namen vorhanden ist.

Lösung:

Ausnahmemeldungen
Das Paket kann nicht entzippt werden. Möglicher Namenskonflikt mit GitHub-Dateien.

Fehler 0151

Beim Schreiben in den Cloudspeicher ist ein Fehler aufgetreten. Überprüfen Sie die URL.

Dieser Fehler in Machine Learning tritt auf, wenn das Modul versucht, Daten in Cloudspeicher zu schreiben, aber die URL ist nicht verfügbar oder ungültig.

Auflösung: Überprüfen Sie die URL, und überprüfen Sie, ob sie schreibbar ist.

Ausnahmemeldungen
Fehler beim Schreiben in den Cloudspeicher (möglicherweise ungültige URL).
Fehler beim Schreiben in den Cloudspeicher: {0}. Überprüfen Sie die URL.

Fehler 0152

Der Azure-Cloudtyp wurde im Modulkontext falsch angegeben.

Ausnahmemeldungen
Ungültiger Azure-Cloudtyp.
Ungültiger Azure-Cloudtyp: {0}

Fehler 0153

Der angegebene Speicherendpunkt ist ungültig.

Ausnahmemeldungen
Ungültiger Azure-Cloudtyp.
Ungültiger Speicherendpunkt: {0}

Fehler 0154

Der angegebene Servername konnte nicht aufgelöst werden.

Ausnahmemeldungen
Der angegebene Servername konnte nicht aufgelöst werden.
Der angegebene Server „{0}.documents.azure.com“ konnte nicht aufgelöst werden.

Fehler 0155

Der DocDb-Client hat eine Ausnahme ausgelöst.

Ausnahmemeldungen
Der DocDb-Client hat eine Ausnahme ausgelöst.
DocDb-Client: {0}

Fehler 0156

Ungültige Antwort für HCatalog Server.

Ausnahmemeldungen
Ungültige Antwort für HCatalog Server. Überprüfen Sie, ob alle Dienste ausgeführt werden.
Ungültige Antwort für HCatalog Server. Überprüfen Sie, ob alle Dienste ausgeführt werden. Fehlerdetails: {0}

Fehler 0157

Beim Lesen von Azure Cosmos DB ist aufgrund inkonsistenter oder unterschiedlicher Dokumentschemas ein Fehler aufgetreten. Der Leser erfordert, dass alle Dokumente dasselbe Schema aufweisen.

Ausnahmemeldungen
Es wurden Dokumente mit unterschiedlichen Schemas erkannt. Stellen Sie sicher, dass alle Dokumente dasselbe Schema aufweisen.

Fehler 1000

Interne Bibliotheksausnahme.

Dieser Fehler wird bereitgestellt, um ansonsten unbehandelte interne Enginefehler zu erfassen. Daher kann die Ursache für diesen Fehler je nach Modul, das den Fehler generiert hat, unterschiedlich sein.

Um weitere Hilfe zu erhalten, empfehlen wir Ihnen, die detaillierte Nachricht zu veröffentlichen, die den Fehler an das Machine Learning-Forum begleitet, zusammen mit einer Beschreibung des Szenarios, einschließlich der Daten, die als Eingaben verwendet werden. Dieses Feedback hilft uns, Fehler zu priorisieren und die wichtigsten Probleme für die weitere Arbeit zu identifizieren.

Ausnahmemeldungen
Bibliotheksausnahme.
Bibliotheksausnahme: {0}
{0}-Bibliotheksausnahme: {1}

Weitere Hilfe

Modulfehlercodes

Benötigen Sie weitere Hilfe oder Problembehandlungstipps für Machine Learning? Versuchen Sie diese Ressourcen:

• Handbuch zur Problembehandlung: Erstellen eines Azure Machine Learning-Arbeitsbereichs und Verbindungsaufbau
• Machine Learning Häufig gestellte Fragen (FAQ)