Excepciones y códigos de error para el diseñador

Artículo
04/04/2023

En este artículo se describen los mensajes de error y los códigos de excepción del diseñador de Azure Machine Learning para ayudarle a solucionar problemas de las canalizaciones de aprendizaje automático.

Puede encontrar el mensaje de error en el diseñador si sigue estos pasos:

Seleccione el componente con errores y vaya a la pestaña Resultados y registros. Puede encontrar el registro detallado en el archivo 70_driver_log.txt de la categoría azureml-logs.
Para ver el error detallado de un componente, puede comprobarlo en el archivo error_info.json de la categoría module_statistics.

A continuación, se muestran los códigos de error de los componentes en el diseñador.

Error 0001

Se produce una excepción si no se encontraron una o más columnas especificadas del conjunto de datos.

Recibirá este error si se realiza una selección de columnas para un componente, pero las columnas seleccionadas no existen en el conjunto de datos de entrada. Este error puede producirse si escribió manualmente un nombre de columna o si el selector de columnas sugirió una columna que no existía en el conjunto de datos al realizar la canalización.

Resolución: Vuelva a consultar el componente que genera esta excepción y valide que los nombres de columna sean correctos y que todas las columnas referenciadas existan.

Mensajes de excepción
No se encontraron una o varias de las columnas especificadas.
No se encontró la columna con nombre o índice "{column_id}".
La columna con nombre o índice "{column_id}" no existe en "{arg_name_missing_column}".
La columna con nombre o índice "{column_id}" no existe en "{arg_name_missing_column}", pero existe en "{arg_name_has_column}".
No se encontraron las columnas con nombre o índice "{column_names}".
Las columnas con nombre o índice "{column_names}" no existen en "{arg_name_missing_column}".
Las columnas con nombre o índice "{column_names}" no existen en "{arg_name_missing_column}", pero sí en "{arg_name_has_column}".

Error 0002

Se produce una excepción si no se pudieron analizar o convertir uno o más parámetros del tipo especificado al solicitado por el tipo de método de destino.

Este error de Azure Machine Learning se produce cuando se especifica un parámetro como entrada y el tipo de valor es distinto al esperado. En este caso, no se puede realizar una conversión implícita.

Resolución: Compruebe los requisitos del componente y determine qué tipo de valor se necesita (cadena, entero, doble, etcétera).

Mensajes de excepción
No se pudo analizar el parámetro.
No se pudo analizar el parámetro "{arg_name_or_column}".
No se pudo convertir el parámetro "{arg_name_or_column}" en "{to_type}".
No se pudo convertir el parámetro "{arg_name_or_column}" de "{from_type}" a "{to_type}".
No se pudo convertir el valor "{arg_value}" del parámetro "{arg_name_or_column}" de "{from_type}" a "{to_type}".
No se pudo convertir el valor "{arg_value}" de la columna "{arg_name_or_column}" de "{from_type}" a "{to_type}" con el uso del formato "{fmt}" proporcionado.

Error 0003

Se produce una excepción si una o varias de las entradas son NULL o están vacías.

Recibirá este error en Azure Machine Learning si las entradas o parámetros a un componente son NULL o están vacíos. Este error puede ocurrir, por ejemplo, cuando no escribió ningún valor para un parámetro. También puede ocurrir si elige un conjunto de datos que tiene valores faltantes, o un conjunto de datos vacío.

Resolución:

Abra el componente que generó la excepción y compruebe que todas las entradas se hayan especificado. Asegúrese de especificar todas las entradas necesarias.
Asegúrese de que los datos que se cargan desde Azure Storage están accesibles y que no ha cambiado el nombre o clave de la cuenta.
Compruebe los datos de entrada para los valores que faltan o los valores NULL.
Si utilizó una consulta en un origen de datos, compruebe que los datos se devuelven en el formato esperado.
Busque errores tipográficos u otros cambios en la especificación de los datos.

Mensajes de excepción
Una o varias de las entradas son NULL o están vacías.
La entrada "{name}" es NULL o está vacía.

Error 0004

Se produce una excepción si el parámetro es menor o igual que el valor especificado.

Recibirá este error en Azure Machine Learning si el parámetro en el mensaje es inferior al valor de límite necesario para que el componente procese los datos.

Resolución: Vuelva a consultar el componente que genera la excepción y modifique el parámetro para que sea mayor que el valor especificado.

Mensajes de excepción
El parámetro debe ser mayor que el valor de límite.
El valor "{arg_name}" del parámetro debe ser mayor que {lower_boundary}.
El parámetro "{arg_name}" tiene el valor "{actual_value}" que debe ser mayor que {lower_boundary}.

Error 0005

Se produce una excepción si el parámetro es menor que el valor especificado.

Recibirá este error en Azure Machine Learning si el parámetro en el mensaje es menor o igual que el valor de límite necesario para que el componente procese los datos.

Resolución: Vuelva a consultar el componente que genera la excepción y modifique el parámetro para que sea mayor o igual que el valor especificado.

Mensajes de excepción
El parámetro debe ser mayor o igual que el valor de límite.
El valor "{arg_name}" del parámetro debe ser mayor o igual que {lower_boundary}.
El parámetro "{arg_name}" tiene el valor "{actual_value}" que debe ser mayor o igual que {lower_boundary}.

Error 0006

Se produce una excepción si el parámetro es mayor o igual que el valor especificado.

Recibirá este error en Azure Machine Learning si el parámetro en el mensaje es mayor o igual que el valor de límite necesario para que el componente procese los datos.

Resolución: Vuelva a consultar el componente que genera la excepción y modifique el parámetro para que sea menor que el valor especificado.

Mensajes de excepción
Error de coincidencia de parámetros. Uno de los parámetros debe ser menor que el otro.
El valor del parámetro "{arg_name}" debe ser menor que el valor del parámetro "{upper_boundary_parameter_name}".
El parámetro "{arg_name}" tiene el valor "{value}" que debe ser menor que {upper_boundary_parameter_name}.

Error 0007

Se produce una excepción si el parámetro es mayor que el valor especificado.

Recibirá este error en Azure Machine Learning si, en las propiedades del componente, se especificó un valor que es mayor que lo permitido. Por ejemplo, podría especificar un dato que está fuera del intervalo de fechas admitidas, o podría indicar que se utilicen cinco columnas cuando solo están disponibles tres.

También puede ver este error si especifica dos conjuntos de datos que deben coincidir de alguna manera. Por ejemplo, si se está cambiando el nombre de las columnas y especifica las columnas por índice, el número de nombres que proporcione debe coincidir con el número de índices de columna. Otro ejemplo podría ser una operación matemática que utiliza dos columnas, donde las columnas deben tener el mismo número de filas.

Resolución:

Abra el componente en cuestión y revise cualquier configuración de propiedades numéricas.
Asegúrese de que los valores de parámetro se encuentran dentro del intervalo de valores admitido para esa propiedad.
Si el componente acepta varias entradas, asegúrese de que las entradas son del mismo tamaño.

Compruebe si el conjunto de datos o el origen de datos cambiaron. A veces, un valor que funcionaba con una versión anterior de los datos producirá un error después de que cambió el número de columnas, los tipos de datos de la columna o el tamaño de los datos.

Mensajes de excepción
Error de coincidencia de parámetros. Uno de los parámetros debe ser menor o igual que el otro.
El valor del parámetro "{arg_name}" debe ser menor o igual que el valor del parámetro "{upper_boundary_parameter_name}".
El parámetro "{arg_name}" tiene el valor "{actual_value}" que debe ser menor o igual que {upper_boundary}.
El valor {actual_value} del parámetro "{arg_name}" debe ser menor o igual que el valor {upper_boundary} del parámetro "{upper_boundary_parameter_name}".
El valor {actual_value} del parámetro "{arg_name}" debe ser menor o igual que el valor {upper_boundary} del parámetro {upper_boundary_meaning}.

Error 0008

Se produce una excepción si el parámetro no se encuentra en el intervalo.

Recibirá este error en Azure Machine Learning si el parámetro en el mensaje está fuera de los límites necesarios para que el componente procese los datos.

Por ejemplo, se muestra este error si intenta usar Add Rows para combinar dos conjuntos de datos que tienen un número de columnas diferente.

Resolución: Vuelva a consultar el componente que genera la excepción y modifique el parámetro para que esté dentro del rango especificado.

Mensajes de excepción
El valor del parámetro no se encuentra en el intervalo especificado.
El valor "{arg_name}" del parámetro no está en el intervalo.
El valor del parámetro "{arg_name}" debe estar en el intervalo de [{lower_boundary}, {upper_boundary}].
El valor "{arg_name}" del parámetro no está en el intervalo. {reason}

Error 0009

Se produce una excepción cuando se especifica incorrectamente el nombre del contenedor o el nombre de la cuenta de Azure Storage.

Este error del diseñador de Azure Machine Learning se produce cuando especifica parámetros para una cuenta de almacenamiento de Azure, pero no se puede resolver el nombre o la contraseña. Los errores en las contraseñas o nombres de cuenta pueden ocurrir por diversos motivos:

La cuenta es de un tipo incorrecto. No se admite el uso de algunos nuevos tipos de cuenta para el diseñador de Machine Learning. Consulte Import Data (importar datos) para obtener más información.
Escribió el nombre de cuenta incorrecto.
La cuenta ya no existe.
La contraseña de la cuenta de almacenamiento es incorrecta o ha cambiado.
No ha especificado el nombre del contenedor, o el contenedor no existe.
No especificó la ruta de acceso de archivo completa (ruta de acceso al blob)

Resolución:

Estos problemas suelen producirse al intentar escribir manualmente la ruta de acceso del contenedor, la contraseña o el nombre de cuenta. Se recomienda que utilice el nuevo asistente para el componente Importar datos, que le ayuda a buscar y comprobar los nombres.

Compruebe también si se ha eliminado la cuenta, el contenedor o el blob. Utilice otra utilidad de almacenamiento de Azure para comprobar que el nombre de cuenta y la contraseña se escribieron correctamente y que existe el contenedor.

Azure Machine Learning no admite algunos nuevos tipos de cuenta. Por ejemplo, los nuevos tipos de almacenamiento "en frío" o "de acceso frecuente" no se pueden usar para el aprendizaje automático. Las cuentas de almacenamiento clásicas y las creadas como "de uso general" funcionan correctamente.

Si se especificó la ruta de acceso completa a un blob, compruebe que la ruta de acceso se especificó con el formato contenedor/nombredeblob, y que tanto el contenedor como el blob existen en la cuenta.

La ruta de acceso no debe contener una barra inicial. Por ejemplo /contenedor/blob no es correcto y debe especificarse como contenedor/blob.

Mensajes de excepción
El nombre de la cuenta de almacenamiento de Azure o el nombre del contenedor es incorrecto.
El nombre de la cuenta de almacenamiento de Azure "{account_name}" o el nombre de contenedor "{container_name}" no es correcto; se esperaba un nombre de contenedor con el formato contenedor/blob.

Error 0010

Se produce una excepción si los conjuntos de datos de entrada tienen nombres de columna que deben coincidir, pero no coinciden.

Recibirá este error en Azure Machine Learning si el índice de columna en el mensaje tiene nombres de columna diferentes en los dos conjuntos de datos de entrada.

Resolución: Utilice Edit Metadata (editar metadatos) o modifique el conjunto de datos original para que tenga el mismo nombre de columna que el índice de columna especificado.

Mensajes de excepción
Las columnas con índice correspondiente en los conjuntos de datos de entrada tienen nombres diferentes.
Los nombres de columna no son los mismos para la columna {col_index} (de base cero) en los conjuntos de datos de entrada ({dataset1} y {dataset2}, respectivamente).

Error 0011

Se produce una excepción si el argumento que se pasó al conjunto de columnas no se aplica a alguna de las columnas del conjunto de datos.

Recibirá este error en Azure Machine Learning si la selección de columna especificada no coincide con ninguna de las columnas del conjunto de datos determinado.

También es posible que vea este error si no ha seleccionado una columna y se requiere una como mínimo para que el componente funcione.

Resolución: Modifique la selección de columnas en el componente para que se aplique a las columnas del conjunto de datos.

Si el componente requiere que seleccione una columna específica, como una columna de etiqueta, compruebe que está seleccionada la columna correcta.

Si hay columnas incorrectas seleccionadas, quítelas y vuelva a ejecutar la canalización.

Mensajes de excepción
El conjunto de columnas especificado no se aplica a ninguna de las columnas del conjunto de datos.
El conjunto de columnas "{column_set}" especificado no se aplica a ninguna de las columnas del conjunto de datos.

Error 0012

Se produce una excepción si no se pudo crear la instancia de clase con el conjunto de argumentos que se pasó.

Resolución: Este error no lo ocasiona el usuario y quedará en desuso en una versión futura.

Mensajes de excepción
Modelo no entrenado, entrene primero el modelo.
Modelo no entrenado ({arg_name}), use el modelo entrenado.

Error 0013

Se produce una excepción si el aprendiz que se pasa al componente es de un tipo no válido.

Este error se produce siempre que un modelo entrenado no es compatible con el componente de puntuación conectado.

Resolución:

Determine el tipo de aprendiz que genera el componente de entrenamiento y determine cuál componente de puntuación es adecuado para el aprendiz.

Si el modelo se entrenó con cualquiera de los componentes de entrenamiento especializados, conecte el modelo entrenado únicamente con el componente de puntuación especializado correspondiente.

Tipo de modelo	Componente de entrenamiento	Componente de puntuación
cualquier clasificador	Train Model (entrenar modelo)	Score Model (puntuar modelo)
cualquier modelo de regresión	Train Model (entrenar modelo)	Score Model (puntuar modelo)

Mensajes de excepción
Se pasó un aprendiz de tipo no válido.
El aprendiz "{arg_name}" tiene un tipo no válido.
El aprendiz "{arg_name}" tiene un tipo "{learner_type}" no válido.
Se pasó un aprendiz de tipo no válido. Mensaje de excepción: {exception_message}

Error 0014

Se produce una excepción si el recuento de valores únicos de columna es mayor que lo permitido.

Este error se produce cuando una columna contiene demasiados valores únicos, como una columna de identificador o una columna de texto. Podría ver este error si especifica que una columna se trate como datos de categoría, pero hay demasiados valores únicos en la columna como para permitir que se complete el procesamiento. También puede ver este error si hay una discrepancia entre el número de valores únicos de dos entradas.

El error de que el número de valores únicos es mayor de lo permitido ocurrirá si se cumplen las dos condiciones siguientes:

Más de 97 % de las instancias de una columna son valores únicos, lo que significa que casi todas las categorías son diferentes entre sí.
Una columna tiene más de 1000 valores únicos.

Resolución:

Abra el componente que generó el error e identifique las columnas que se usan como entradas. En el caso de algunos componentes, puede hacer clic en la entrada del conjunto de datos y seleccionar Visualizar para obtener las estadísticas de columnas individuales, incluido el número de valores únicos y su distribución.

En el caso de las columnas que va a utilizar para agrupación o clasificación, tome medidas para reducir el número de valores únicos de las columnas. Puede reducirlo de maneras diferentes, según el tipo de datos de la columna.

En el caso de las columnas de identificador que no sean características significativas durante el entrenamiento de un modelo, podrá usar Editar metadatos para marcar esa columna como Borrar característica y no se usará durante el entrenamiento de un modelo.

En el caso de las columnas de texto, podrá usar el componente Feature Hashing (Hash de características) o Extract N-Gram Features from Text (Extraer características de n-gramas a partir de texto) para el preprocesamiento de las columnas de texto.

Sugerencia

¿No logra encontrar una solución que coincida con su escenario? Puede enviar comentarios sobre este tema incluyendo el nombre del componente que genera el error, y el tipo de datos y cardinalidad de la columna. Utilizaremos la información para proporcionarle pasos más enfocados en solucionar problemas de escenarios comunes.

Mensajes de excepción
La cantidad de valores únicos de columna es mayor que lo permitido.
El número de valores únicos de la columna "{column_name}" es mayor que lo permitido.
El número de valores únicos de la columna "{column_name}" supera el recuento de tuplas {limitation}.

Error 0015

Se produce una excepción si hay un error de conexión de base de datos.

Recibirá este error si escribe un nombre, una contraseña, un servidor de bases de datos o un nombre de base de datos de cuenta SQL incorrectos, o bien si no se puede establecer una conexión con la base de datos debido a problemas con la base de datos o el servidor.

Resolución: Compruebe que el nombre de cuenta, la contraseña, el servidor de base de datos y la base de datos se escribieron correctamente y que la cuenta especificada tiene el nivel correcto de permisos. Compruebe que la base de datos es accesible en este momento.

Mensajes de excepción
Error al realizar la conexión de base de datos.
Error al realizar la conexión de base de datos: {connection_str}.

Error 0016

Se produce una excepción si los conjuntos de datos de entrada que se pasan al componente deben tener tipos de columna compatibles, pero no es así.

Recibirá este error en Azure Machine Learning si los tipos de las columnas que se pasaron en dos o más conjuntos de datos no son compatibles entre sí.

Resolución: Use Editar metadatos o modifique el conjunto de datos de entrada original para asegurarse de que los tipos de las columnas son compatibles.

Mensajes de excepción
Las columnas con índice correspondiente en los conjuntos de datos de entrada tienen tipos incompatibles.
Las columnas "{first_col_names}" son incompatibles entre los datos de entrenamiento y prueba.
Las columnas "{first_col_names}" y "{second_col_names}" son incompatibles.
Los tipos de elemento de columna no son compatibles con la columna "{first_col_names}" (basada en cero) de conjuntos de datos de entrada ({first_dataset_names} y {second_dataset_names}, respectivamente).

Error 0017

Se produce una excepción si una columna seleccionada usa un tipo de datos que no es compatible con el componente actual.

Por ejemplo, podría recibir este error en Azure Machine Learning si la selección de columna incluye una columna con un tipo de datos que el componente no puede procesar, como una columna de cadena para una operación matemática o una columna de puntuación donde se requiere una columna de característica de categoría.

Resolución:

Identifique a la columna problemática.
Revise los requisitos del componente.
Modifique la columna para que cumpla con los requisitos. Es posible que deba utilizar varios de los siguientes componentes para realizar cambios, dependiendo de la columna y la conversión que intenta realizar:
- Utilice Edit Metadata (editar metadatos) para cambiar el tipo de datos de las columnas, o para cambiar el uso de las columnas de característica a numérica, de categoría a no categórica y así sucesivamente.

Como último recurso, es posible que necesite modificar el conjunto de datos de entrada original.

Sugerencia

Mensajes de excepción
No se puede procesar la columna del tipo actual. El tipo no es compatible con el componente.
No se puede procesar la columna de tipo {col_type}. El tipo no es compatible con el componente.
No se puede procesar la columna "{col_name}" de tipo {col_type}. El tipo no es compatible con el componente.
No se puede procesar la columna "{col_name}" de tipo {col_type}. El tipo no es compatible con el componente. Nombre del parámetro: {arg_name}.

Error 0018

Se produce una excepción si el conjunto de datos de entrada no es válido.

Resolución: Este error en Azure Machine Learning puede aparecer en muchos contextos, por lo que no existe una solución única. En general, el error indica que los datos proporcionados como entrada para un componente tienen un número incorrecto de columnas, o que el tipo de datos no coincide con los requisitos del componente. Por ejemplo:

El componente requiere una columna de etiqueta, pero no hay ninguna columna marcada como etiqueta, o aún no ha seleccionado una columna de etiqueta.
El componente requiere que los datos sean de categoría, pero son numéricos.

Los datos tienen un formato incorrecto.
Los datos importados contienen caracteres no válidos, valores erróneos, o valores fuera del intervalo.
La columna está vacía o faltan demasiados valores.

Para determinar los requisitos y cómo se usarán los datos, revise el tema de ayuda del componente que consumirá el conjunto de datos como entrada.

Mensajes de excepción
El conjunto de datos no es válido.
{dataset1} contiene datos no válidos.
{dataset1} y {dataset2} deben tener un formato de columna coherente.
{dataset1} contiene datos no válidos, {reason}.
{dataset1} contiene {invalid_data_category}. {troubleshoot_hint}
{dataset1} no es válido, {reason}. {troubleshoot_hint}

Error 0019

Se produce una excepción si se espera que la columna contenga valores ordenados, pero es así.

Recibirá este error en Azure Machine Learning si los valores de la columna especificada están desordenados.

Resolución: Para ordenar los valores de columna, modifique manualmente el conjunto de datos de entrada y vuelva a ejecutar el componente.

Mensajes de excepción
Los valores en la columna no están ordenados.
Los valores en la columna "{col_index}" no están ordenados.
Los valores en la columna "{col_index}" del conjunto de datos "{dataset}" no están ordenados.
Los valores del argumento "{arg_name}" no están ordenados en el orden "{sorting_order}".

Error 0020

Se produce una excepción si en algunos de los conjuntos de datos que se pasan al componente el número de columnas es demasiado pequeño.

Recibirá este error en Azure Machine Learning, si no se han seleccionado suficientes columnas para un componente.

Resolución: Vuelva a consultar el componente y asegúrese de que el selector de columnas tenga el número correcto de columnas seleccionado.

Mensajes de excepción
El número de columnas en el conjunto de datos de entrada es menor que el mínimo permitido.
El número de columnas en el conjunto de datos de entrada "{arg_name}" es menor que el mínimo permitido.
El número de columnas del conjunto de datos de entrada es menor que el mínimo permitido de {required_columns_count} columna(s).
El número de columnas del conjunto de datos de entrada "{arg_name}" es menor que el mínimo permitido de {required_columns_count} columna(s).

Error 0021

Se produce una excepción si el número de filas en algunos de los conjuntos de datos que se pasan al componente es demasiado pequeño.

Este error aparece en Azure Machine Learning cuando en el conjunto de datos no hay suficientes filas para realizar la operación especificada. Por ejemplo, es posible que vea este error si el conjunto de datos de entrada está vacío, o si está intentando realizar una operación que requiere que un número mínimo de filas sea válido. Estas operaciones pueden incluir, entre otras, agrupaciones o clasificaciones basadas en métodos estadísticos, ciertos tipos de cuantificación y aprendizaje con recuentos.

Resolución:

Abra el componente que devolvió el error y compruebe las propiedades del conjunto de datos de entrada y el componente.
Compruebe que el conjunto de datos de entrada no está vacío y que no hay suficientes filas de datos para cumplir los requisitos descritos en la ayuda del componente.
Si los datos se cargan desde un origen externo, asegúrese de que el origen de datos está disponible y que no hay ningún error o cambio en la definición de datos que haría que el proceso de importación obtenga menos filas.
Si está realizando una operación en los datos ascendentes del componente que pueden afectar al tipo de datos o el número de valores, como las operaciones de limpieza, división o unión, compruebe los resultados de esas operaciones para determinar el número de filas devueltas.

Mensajes de excepción
El número de filas del conjunto de datos de entrada es menor que el mínimo permitido.
El número de filas del conjunto de datos de entrada es menor que el mínimo permitido de {required_rowa_count} fila(s).
El número de filas del conjunto de datos de entrada es menor que el mínimo permitido de {required_rowa_count} fila(s). {reason}
El número de filas del conjunto de datos de entrada "{arg_name}" es menor que el mínimo permitido de {required_rows_count} fila(s).
El número de filas del conjunto de datos de entrada "{arg_name}" es {actual_rows_count}, menor que el mínimo permitido de {required_rows_count} fila(s).
El número de filas "{row_type}" del conjunto de datos de entrada "{arg_name}" es {actual_rows_count}, menor que el mínimo permitido de {required_rows_count} fila(s).

Error 0022

Se produce una excepción si el número de columnas seleccionadas en el conjunto de datos de entrada no es igual al número esperado.

Este error en Azure Machine Learning puede producirse cuando el componente o la operación descendentes requieren un número específico de entradas o columnas, y cuando proporcionó demasiados o muy pocas columnas o entradas. Por ejemplo:

Especificó una columna de una sola etiqueta o una columna de clave y seleccionó accidentalmente varias columnas.
Está cambiando el nombre de columnas, pero proporcionó un número de nombres mayor o menor que el número de columnas.
El número de columnas en el origen o destino cambió o no coincide con el número de columnas utilizado por el componente.
Proporcionó una lista de valores separada por comas para las entradas, pero el número de valores no coincide o no se admiten varias entradas.

Resolución: Vuelva a consultar el componente y compruebe la selección de columna para asegurarse de que está seleccionado el número correcto de columnas. Compruebe las salidas de los componentes ascendentes y los requisitos de las operaciones descendentes.

Si utilizó una de las opciones de selección de columnas que puede seleccionar varias columnas (índices de columnas, todas las de características, todas las numéricas, etc.), valide el número exacto de las columnas devueltas por la selección.

Compruebe que el número o tipo de las columnas ascendentes no haya cambiado.

Si utiliza un conjunto de datos de recomendación para entrenar un modelo, recuerde que el recomendador espera un número limitado de columnas, correspondiente a los pares de usuario y elemento o las clasificaciones de usuario y elemento. Quite las columnas adicionales antes de entrenar el modelo o dividir los conjuntos de datos de recomendación. Para obtener más información, consulte Split Data (dividir datos).

Mensajes de excepción
El número de columnas seleccionadas en el conjunto de datos de entrada no es igual al número esperado.
El número de columnas seleccionadas en el conjunto de datos de entrada no es igual que {expected_col_count}.
El patrón de selección de columnas "{selection_pattern_friendly_name}" proporcionó un número de columnas seleccionadas en el conjunto de datos de entrada no es igual a {expected_col_count}.
Se espera que el patrón de selección de columnas "{selection_pattern_friendly_name}" proporcione las {expected_col_count} columnas seleccionadas en el conjunto de datos de entrada, pero en realidad se proporcionan {selected_col_count} columnas.

Error 0023

Se produce una excepción si la columna de destino del conjunto de datos de entrada no es válida para el componente de aprendiz actual.

Este error de Azure Machine Learning se produce si la columna de destino (como se ha seleccionado en los parámetros del componente) no es del tipo de datos válido, contenía todos los valores que faltan o no era de categoría como se esperaba.

Resolución: Vuelva a consultar la entrada del componente para inspeccionar el contenido de la columna de etiqueta o destino. Asegúrese de que no contenga todos los valores que faltan. Si el componente está esperando que la columna de destino sea de categoría, asegúrese de que hay más de un valor distinto en la columna de destino.

Mensajes de excepción
El conjunto de datos de entrada tiene una columna de destino no compatible.
El conjunto de datos de entrada tiene una columna de destino no compatible "{column_index}".
El conjunto de datos de entrada tiene una columna de destino no compatible "{column_index}" para el aprendiz de tipo {learner_type}.

Error 0024

Se produce una excepción si el conjunto de datos no contiene una columna de etiqueta.

Este error de Azure Machine Learning se produce cuando el componente requiere una columna de etiqueta y el conjunto de datos no tiene una columna de etiqueta. Por ejemplo, la evaluación de un conjunto de datos con puntuación normalmente requiere la presencia de una columna de etiqueta para calcular las métricas de precisión.

También puede ocurrir que una columna de etiqueta esté presente en el conjunto de datos, pero Azure Machine Learning no la detecte correctamente.

Resolución:

Abra el componente que generó el error y determine si hay una columna de etiqueta presente. El tipo de datos o el nombre de la columna no importan, siempre y cuando la columna contenga un único resultado (o variable dependiente) que se está intentando predecir. Si no está seguro de qué columna tiene la etiqueta, busque un nombre genérico, como Class o Target.
Si el conjunto de datos no incluye una columna de etiqueta, es posible que la columna de etiqueta se haya quitado de forma ascendente explícitamente o por accidente. También podría ser que el conjunto de datos no sea el resultado de un componente de puntuación ascendente.
Para marcar explícitamente la columna como columna de etiqueta, agregue el componente Editar metadatos y conecte el conjunto de datos. Seleccione solo la columna de etiqueta y seleccione Etiqueta desde la lista desplegable Campos.
Si se equivoca al elegir una columna como etiqueta, puede seleccionar Borrar etiqueta desde Campos para corregir los metadatos en la columna.

Mensajes de excepción
No hay ninguna columna de etiqueta en el conjunto de datos.
No hay ninguna columna de etiqueta en "{dataset_name}".

Error 0025

Se produce una excepción si el conjunto de datos no contiene una columna de puntuación.

Este error de Azure Machine Learning se produce si la entrada para el modelo de evaluación no contiene columnas de puntuación válidas. Por ejemplo, el usuario intentó evaluar un conjunto de datos antes de que se puntuara con un modelo entrenado correcto, o la columna de puntuación se quitó explícitamente de forma ascendente. Esta excepción también se produce si las columnas de puntuación en los dos conjuntos son incompatibles. Por ejemplo, es posible que esté intentando comparar la precisión de un regresor lineal con un clasificador binario.

Resolución: Vuelva a consultar la entrada para el modelo de evaluación y compruebe si contiene una o varias columnas de puntuación. Si no es así, el conjunto de datos no se puntuó o las columnas de puntuación se quitaron en un componente ascendente.

Mensajes de excepción
No hay ninguna columna de puntuación en el conjunto de datos.
No hay ninguna columna de puntuación en "{dataset_name}".
No hay ninguna columna de puntuación en "{dataset_name}" producida por un "{learner_type}". Puntúe el conjunto de datos usando el tipo de aprendiz correcto.

Error 0026

Se produce una excepción si no se permiten columnas con el mismo nombre.

Este error de Azure Machine Learning se produce si varias columnas tienen el mismo nombre. Puede recibir este error si el conjunto de datos no tiene una fila de encabezado y los nombres de columna se asignan automáticamente: Col0, Col1, etc.

Resolución: Si las columnas tienen el mismo nombre, inserte un componente Editar metadatos entre el conjunto de datos de entrada y el componente. Utilice el selector de columnas en Edit Metadata (editar metadatos) para seleccionar las columnas a las que cambiará el nombre y escriba los nombres nuevos en el cuadro de texto New column names (nuevos nombres de columna).

Mensajes de excepción
Se especificaron nombres de columna iguales en los argumentos. El componente no permite los nombres de columna iguales.
No se permiten nombres de columna iguales en los argumentos "{arg_name_1}" y "{arg_name_2}". Especifique nombres diferentes.

Error 0027

Se produce una excepción cuando dos objetos tienen que ser del mismo tamaño, pero no es así.

Este es un error común en Azure Machine Learning y muchas condiciones pueden ocasionarlo.

Resolución: No hay ninguna resolución específica. Pero puede comprobar la existencia de condiciones como las siguientes:

Si está cambiando el nombre de las columnas, asegúrese de que cada lista (las columnas de entrada y la lista de nombres nuevos) tiene el mismo número de elementos.
Si va a unir o concatenar dos conjuntos de datos, asegúrese de que tienen el mismo esquema.
Si va a unir dos conjuntos de datos que tienen varias columnas, asegúrese de que las columnas de clave tienen los mismos tipos de datos y seleccione la opción Allow duplicates and preserve column order in selection (permitir duplicados y conservar el orden de las columnas en la selección).

Mensajes de excepción
El tamaño de los objetos que se pasaron es incoherente.
El tamaño de "{friendly_name1}" es incoherente con el tamaño de "{friendly_name2}".

Error 0028

La excepción se produce cuando el conjunto de columnas contiene nombres de columna duplicados y no está permitido.

Este error de Azure Machine Learning se produce cuando los nombres de columna están duplicados; es decir, no son únicos.

Resolución: Si hay columnas con el mismo nombre, agregue una instancia de Editar metadatos entre el conjunto de datos de entrada y el componente que genera el error. Utilice el selector de columnas en Edit Metadata (editar metadatos) para seleccionar las columnas a las que cambiará el nombre y escriba los nuevos nombres de columna en el cuadro de texto New column names (nuevos nombres de columna). Si está cambiando el nombre de varias columnas, asegúrese de que los valores que escriba en New column names (nuevos nombres de columna) son únicos.

Mensajes de excepción
El conjunto de columnas contiene nombres de columna duplicados.
El nombre "{duplicated_name}" está duplicado.
El nombre "{duplicated_name}" está duplicado en "{arg_name}".
El nombre "{duplicated_name}" está duplicado. Detalles: {details}

Error 0029

Se produce una excepción cuando se pasa un URI no válido.

Este error en Azure Machine Learning se produce cuando se pasa un URI no válido. Recibirá este error si se cumple alguna de las condiciones siguientes:

El URI público o de SAS proporcionado a Azure Blob Storage para lectura o escritura contiene un error.
Se agotó el período de tiempo para SAS.
La dirección URL web a través del origen HTTP representa un archivo o un URI de bucle invertido.
La dirección URL web a través de HTTP contiene una dirección URL con formato incorrecto.
El origen remoto no puede resolver la dirección URL.

Resolución: Vuelva a consultar el componente y compruebe el formato del URI. Si el origen de datos es una dirección URL web a través de HTTP, compruebe que el origen deseado no sea un archivo o un URI (localhost) de bucle invertido.

Mensajes de excepción
Se pasa un URI no válido.
El URI "{invalid_url}" no es válido.

Error 0030

Se produce una excepción cuando no es posible descargar un archivo.

Esta excepción en Azure Machine Learning se produce cuando no es posible descargar un archivo. Recibirá esta excepción cuando un intento de lectura desde un origen HTTP devuelva un error después de tres (3) reintentos.

Resolución: Compruebe que el URI para el origen HTTP esté correcto y que actualmente se pueda acceder al sitio a través de Internet.

Mensajes de excepción
No se puede descargar un archivo.
Error al descargar el archivo: {file_url}.

Error 0031

Se produce una excepción si el conjunto de columnas incluye un número de columnas menor que el necesario.

Este error en Azure Machine Learning se produce si el número de columnas seleccionado es menor que el necesario. Recibirá este error si no se selecciona el número mínimo requerido de columnas.

Resolución: Agregue columnas adicionales a la selección de columnas mediante el selector de columnas.

Mensajes de excepción
El número de columnas del conjunto de columnas es menor que el requerido.
Se deben especificar al menos {required_columns_count} columnas para el argumento de entrada "{arg_name}".
Se deben especificar al menos {required_columns_count} columnas para el argumento de entrada "{arg_name}". El número real de columnas especificadas es {input_columns_count}.

Error 0032

Se produce una excepción si el argumento no es un número.

Si el argumento es un valor doble o NaN, recibirá este error en Azure Machine Learning.

Resolución: Modifique el argumento especificado para que utilice un valor válido.

Mensajes de excepción
El argumento no es un número.
"{arg_name}" no es un número.

Error 0033

Se produce una excepción si el argumento es infinito.

Este error de Azure Machine Learning se produce si el argumento es infinito. Recibirá este error si el argumento es double.NegativeInfinity o double.PositiveInfinity.

Resolución: Modifique el argumento especificado para que utilice un valor válido.

Mensajes de excepción
El argumento debe ser finito.
"{arg_name}" no es finito.
La columna "{column_name}" contiene valores infinitos.

Error 0034

Se produce una excepción si existe más de una clasificación para un par usuario-elemento determinado.

Este error de Azure Machine Learning se produce como recomendación si un par usuario-elemento tiene más de un valor de clasificación.

Resolución: Asegúrese de que el par usuario-elemento posee solo un valor de clasificación.

Mensajes de excepción
Existe más de una clasificación para los valores del conjunto de datos.
Hay más de una clasificación para el usuario {user} y el elemento {item} en la tabla de datos de predicción de clasificación.
Hay más de una clasificación para el usuario {user} y el elemento {item} en {dataset}.

Error 0035

Se produce una excepción si no se proporcionaron características para un usuario o elemento determinado.

Este error de Azure Machine Learning se produce cuando está intentando usar un modelo de recomendación para la puntuación, pero no se encuentra un vector de característica.

Resolución:

El recomendador de Matchbox tiene ciertos requisitos que deben cuando se usan las características de elemento o de usuario. Este error indica que falta un vector de característica para un usuario o un elemento que proporcionó como entrada. Asegúrese de que un vector de características está disponible en los datos para cada usuario o elemento.

Por ejemplo, si entrenó un modelo de recomendación con características como la edad del usuario, su ubicación o ingresos, pero ahora desea crear puntuaciones para nuevos usuarios que no estuvieron presentes durante el entrenamiento, debe proporcionar un conjunto equivalente de características (es decir, los valores de edad, ubicación e ingresos) para los nuevos usuarios con el fin de realizar predicciones adecuadas para ellos.

Si no tiene ninguna característica para estos usuarios, considere la posibilidad de ingeniería de características para generar características adecuadas. Por ejemplo, si no tiene los valores de edad o ingresos de un usuario individual, puede generar valores aproximados para un grupo de usuarios.

Sugerencia

¿La resolución no se aplica a su caso? Puede enviar comentarios sobre este artículo y proporcionar información sobre el escenario, incluido el componente y el número de filas en la columna. Usaremos esta información para proporcionarle más pasos para solucionar problemas en el futuro.

Mensajes de excepción
No se proporcionaron características para un usuario o elemento obligatorios.
Las características para {required_feature_name} son obligatorias pero no se han proporcionado.

Error 0036

Se produce una excepción si se proporcionaron varios vectores de características para un usuario o elemento determinado.

Este error de Azure Machine Learning se produce si un vector de característica se ha definido más de una vez.

Resolución: Asegúrese de que el vector de características no está definido más de una vez.

Mensajes de excepción
Hay una definición de característica duplicada para un usuario o elemento.

Error 0037

Se produce una excepción si se especifican varias columnas de etiqueta y solo se permite una.

Este error de Azure Machine Learning se produce si se selecciona más de una columna para que sea la nueva columna de etiqueta. La mayoría de los algoritmos de aprendizaje supervisado requieren que una sola columna se marque como destino o etiqueta.

Resolución: Asegúrese de seleccionar una sola columna como la nueva columna de etiqueta.

Mensajes de excepción
Se especificaron varias columnas de etiqueta.
Se especificaron varias columnas de etiqueta en "{dataset_name}".

Error 0039

Se produce una excepción si una operación devuelve error.

Este error de Azure Machine Learning se produce cuando no se puede completar una operación interna.

Resolución: Este error se produce por muchos motivos y no hay ninguna solución específica.
La tabla siguiente contiene los mensajes genéricos para este error, que van seguidos de una descripción específica del motivo.

Si no hay detalles disponibles, envíenos sus comentarios a la página de preguntas y respuestas de Microsoft y proporcione información sobre los componentes que han generado el error y las condiciones relacionadas.

Mensajes de excepción
No se pudo realizar la operación.
Error al completar la operación: "{failed_operation}".
Error al completar la operación: "{failed_operation}". Motivo: "{reason}".

Error 0042

Se produce una excepción cuando no es posible convertir la columna a otro tipo.

Este error de Azure Machine Learning se produce cuando no es posible convertir la columna al tipo especificado. Recibirá este error si un componente requiere un tipo de datos determinado (como fecha y hora, texto, un número de punto flotante o entero), pero no es posible convertir una columna existente al tipo solicitado.

Por ejemplo, podría seleccionar una columna e intentar convertirla a un tipo de datos numéricos para usarla en una operación matemática y recibiría este error si la columna contiene datos no válidos.

Otro motivo por el que puede encontrarse con este error es si intenta utilizar como columna de categoría a una columna con números de punto flotante o con muchos valores únicos.

Resolución:

Abra la página de ayuda del componente que generó el error y compruebe los requisitos del tipo de datos.
Revise los tipos de datos de las columnas en el conjunto de datos de entrada.
Examine los datos que se originen en lo que se conoce como orígenes de datos sin esquema.
Compruebe el conjunto de datos en busca de valores faltantes o de caracteres especiales que podrían bloquear la conversión al tipo de datos deseado.
- Los tipos de datos numéricos deben ser coherentes: por ejemplo, busque números de punto flotante en una columna de enteros.
- Busque valores de cadena de texto o NA en una columna numérica.
- Los valores booleanos se pueden convertir en una representación adecuada según el tipo de datos necesarios.
- Examine las columnas de texto en busca de caracteres que no sean Unicode, caracteres de tabulación o caracteres de control.
- Los datos de fecha y hora deben ser coherentes para evitar errores de modelado, pero el proceso de limpieza puede ser complicado debido al gran número de formatos. Considere la posibilidad de usar componentes Execute Python Script (Ejecutar script de Python) para realizar la limpieza.
Si es necesario, modifique los valores del conjunto de datos de entrada para que la columna pueda convertirse correctamente. Entre las modificaciones pueden incluirse la cuantificación, las operaciones de truncamiento o redondeo, la eliminación de valores atípicos o la imputación de valores faltantes. Consulte los siguientes artículos para conocer algunos escenarios comunes de transformación de datos en aprendizaje automático:
- Clean Missing Data (limpiar datos faltantes)
- Normalize Data (normalizar datos)

Sugerencia

¿La resolución no está clara o no se aplica a su caso? Puede enviar comentarios sobre este artículo y proporcionar información sobre el escenario, incluido el componente y el tipo de datos de la columna. Usaremos esta información para proporcionarle más pasos para solucionar problemas en el futuro.

Mensajes de excepción
Conversión no permitida.
No se pudo convertir la columna del tipo {type1} a la columna del tipo {type2}.
No se pudo convertir la columna "{col_name1}" del tipo {type1} a la columna del tipo {type2}.
No se pudo convertir la columna "{col_name1}" del tipo {type1} a la columna "{col_name2}" del tipo {type2}.

Error 0044

Se produce una excepción cuando no es posible derivar el tipo de elemento de columna a partir de los valores existentes.

Este error de Azure Machine Learning se produce cuando no es posible deducir el tipo de una columna o columnas en un conjunto de datos. Esto suele suceder al concatenar dos o más conjuntos de datos con diferentes tipos de elemento. Si Azure Machine Learning no puede determinar un tipo común que pueda representar a todos los valores de una o varias columnas sin perder información, se generará este error.

Resolución: Asegúrese de que todos los valores de una columna determinada en los dos conjuntos de datos que va a combinar sean del mismo tipo (numérico, booleano, categoría, cadena, fecha, etc.) o que puedan convertirse en el mismo tipo.

Mensajes de excepción
No se puede derivar el tipo de elemento de la columna.
No se puede derivar el tipo de elemento de la columna "{column_name}", todos los elementos son referencias nulas.
No se puede derivar el tipo de elemento de la columna "{column_name}" en el conjunto de datos "{dataset_name}", todos los elementos son referencias nulas.

Error 0045

Se produce una excepción cuando no es posible crear una columna debido a tipos de elementos mixtos en el origen.

Este error de Azure Machine Learning se produce cuando los tipos de elemento de dos conjuntos de datos que van a combinarse son diferentes.

Mensajes de excepción
No se puede crear una columna con tipos de elemento mixtos.
No se puede crear una columna con el identificador "{column_id}" de tipos de elementos mixtos: El tipo de datos [{row_1}, {column_id}] es "{type_1}". El tipo de dato[{row_2}, {column_id}] es "{type_2}".
No se puede crear una columna con el identificador "{column_id}" de tipos de elementos mixtos: El tipo del fragmento {chunk_id_1} es "{type_1}". El tipo del fragmento {chunk_id_2} es "{type_2}" con un tamaño de fragmento: {chunk_size}.

Error 0046

Se produce una excepción cuando no es posible crear el directorio en la ruta de acceso especificada.

Este error de Azure Machine Learning se produce cuando no es posible crear un directorio en la ruta de acceso especificada. Recibirá este error si algún elemento de la ruta de acceso al directorio de salida de una consulta de Hive es incorrecto o inaccesible.

Resolución: Vuelva a consultar el componente y compruebe que la ruta de acceso del directorio tenga el formato correcto y que sea accesible con las credenciales actuales.

Mensajes de excepción
Especifique un directorio de salida válido.
El directorio: {path} no se puede crear. Especifique una ruta de acceso válida.

Error 0047

Se produce una excepción si en algunos de los conjuntos de datos que se pasan al componente el número de columnas de características es demasiado pequeño.

Este error de Azure Machine Learning se produce si el conjunto de datos de entrada para el entrenamiento no contiene el número mínimo de columnas necesarias para el algoritmo. Normalmente el conjunto de datos está vacío o solo contiene columnas de entrenamiento.

Resolución: vuelva a consultar el conjunto de datos de entrada con el fin de asegurarse de que tenga una o varias columnas adicionales a la columna de etiqueta.

Mensajes de excepción
El número de columnas de características en el conjunto de datos de entrada es menor que el mínimo permitido.
El número de columnas de características en el conjunto de datos de entrada es menor que el mínimo permitido de {required_columns_count} columna(s).
El número de columnas de característica en el conjunto de datos de entrada "{arg_name}" es menor que el mínimo permitido de {required_columns_count} columna(s).

Error 0048

Se produce una excepción cuando no es posible abrir un archivo.

Este error de Azure Machine Learning se produce cuando no es posible abrir un archivo para lectura o escritura. Este error puede aparecer por los siguientes motivos:

No existe el contenedor o el archivo (blob).
El nivel de acceso del archivo o el contenedor no le permite acceder al archivo.
El archivo es demasiado grande para su lectura o tiene el formato incorrecto.

Resolución: Vuelva a consultar el componente y el archivo que está intentando leer.

Compruebe que los nombres del contenedor y del archivo son correctos.

Utilice el portal de Azure clásico o una herramienta de almacenamiento de Azure para comprobar que tiene permiso para acceder al archivo.

Mensajes de excepción
No se puede abrir un archivo.
Error al abrir el archivo: {file_name}.
Error al abrir el archivo: {file_name}. Mensaje de excepción de almacenamiento: {exception}.

Error 0049

Se produce una excepción cuando no es posible analizar un archivo.

Este error de Azure Machine Learning se produce cuando no es posible analizar un archivo. Recibirá este error si el formato de archivo seleccionado en el componente Importar datos no coincide con el formato real del archivo, o si el archivo contiene un carácter no reconocible.

Resolución: Vuelva a consultar el componente y corrija la selección de formato de archivo si no coincide con el formato del archivo. Si es posible, inspeccione el archivo para confirmar que no contiene ningún carácter no válido.

Mensajes de excepción
No se puede analizar un archivo.
Error al analizar el archivo {file_format}.
Error al analizar el archivo {file_format}: {file_name}.
Error al analizar el archivo {file_format}. Motivo: {failure_reason}.
Error al analizar el archivo {file_format}: {file_name}. Motivo: {failure_reason}.

Error 0052

Se produce una excepción si se especifica incorrectamente la clave de cuenta de almacenamiento de Azure.

Este error de Azure Machine Learning se produce si la clave utilizada acceder a la cuenta de almacenamiento de Azure es incorrecta. Por ejemplo, es posible que vea este error si la clave de almacenamiento de Azure se ha truncado al copiarla y pegarla, o si se usó una clave incorrecta.

Para obtener más información acerca de cómo obtener la clave de una cuenta de almacenamiento de Azure, consulte Visualización, copia y regeneración de claves de acceso de almacenamiento.

Resolución: Vuelva a consultar el componente y compruebe que la clave de almacenamiento de Azure es correcta para la cuenta; copie la clave de nuevo desde el portal clásico de Azure si es necesario.

Mensajes de excepción
La clave de cuenta de almacenamiento de Azure es incorrecta.

Error 0053

Se produce una excepción cuando no hay características o elementos de usuario para las recomendaciones de Matchbox.

Este error de Azure Machine Learning se produce cuando no se puede encontrar un vector de característica.

Resolución: Asegúrese de que un vector de característica se encuentra en el conjunto de datos de entrada.

Mensajes de excepción
Se requieren características y/o elementos de usuario, pero no se proporcionaron.

Error 0056

Se produce una excepción si las columnas seleccionadas para una operación infringen los requisitos.

Este error de Azure Machine Learning se produce cuando se seleccionan las columnas para una operación que requiere que la columna sea de un tipo de datos determinado.

Este error también puede ocurrir si la columna tiene el tipo de datos correcto, pero el componente que está utilizando requiere que la columna también esté marcada como una columna de característica, etiqueta o categorías.

Resolución:

Revise el tipo de datos de las columnas seleccionadas actualmente.
Determine si las columnas seleccionadas son de categorías, etiqueta o características.
Revise el tema de ayuda para el componente en el que realizó la selección de columnas para determinar si hay requisitos específicos sobre el tipo de datos o el uso de columnas.
Utilice Edit Metadata (editar metadatos) para cambiar el tipo de columna durante la duración de esta operación. No olvide cambiar el tipo de columna a su valor original con otra instancia de Edit Metadata (editar metadatos) si la necesita para operaciones descendentes.

Mensajes de excepción
Una o varias de las columnas seleccionadas no estaban en una categoría permitida.
La columna con nombre "{col_name}" no tiene una categoría permitida.

Error 0057

Se produce una excepción al intentar crear un archivo o blob que ya existe.

Esta excepción se produce cuando se usa el componente Exportar datos u otro componente para guardar los resultados de una canalización de Azure Machine Learning en Azure Blob Storage, pero se intenta crear un archivo o blob que ya existe.

Resolución:

Recibirá este error solo si estableció previamente la propiedad modo de lectura de Azure Blob Storage en Error. De manera deliberada, este componente genera un error si intenta escribir un conjunto de datos en un blob que ya existe.

Abra las propiedades del componente y cambie la propiedad Azure blob storage write mode (Modo de escritura de Azure Blob Storage) a Sobrescribir.
También puede escribir el nombre de un blob o archivo de destino diferente. Asegúrese de especificar un blob que aún no exista.

Mensajes de excepción
El archivo o blob ya existe.
El archivo o blob "{file_path}" ya existe.

Error 0058

Este error de Azure Machine Learning se produce si el conjunto de datos no contiene la columna de etiqueta esperada.

Esta excepción también puede producirse cuando la columna de etiqueta proporcionada no coincide con los datos o tipo de datos que espera el aprendiz, o bien si tiene valores incorrectos. Por ejemplo, esta excepción se produce cuando se usa una columna de etiqueta con valores reales al entrenar un clasificador binario.

Resolución: la resolución depende del aprendiz o formador que use y de los tipos de datos de las columnas en el conjunto de datos. En primer lugar, compruebe los requisitos del algoritmo de aprendizaje automático o del componente de entrenamiento.

Vuelva a consultar el conjunto de datos de entrada. Compruebe que la columna que espera se trate como etiqueta tenga el tipo de datos correcto para el modelo que va a crear.

Compruebe las entradas en busca de valores faltantes y elimínelos o reemplácelos si es necesario.

Si es necesario, agregue el componente Editar metadatos y asegúrese de que la columna de etiqueta está marcada como etiqueta.

Mensajes de excepción
Los valores de columna de etiqueta y los valores de columna de etiqueta puntuados no son comparables.
La columna de etiqueta no es la que se esperaba en "{dataset_name}".
La columna de etiqueta no es la que se esperaba en "{dataset_name}", {reason}.
La columna de etiqueta "{column_name}" no se esperaba en "{dataset_name}".
La columna de etiqueta "{column_name}" no se esperaba en "{dataset_name}", {reason}.

Error 0059

Se produce una excepción si no se puede analizar el índice de columna especificado en un selector de columna.

Este error de Azure Machine Learning se produce si no se puede analizar un índice de columna especificado cuando se usa el selector de columnas. Recibirá este error cuando el índice de columna esté en un formato no válido que no se puede analizar.

Resolución: Modifique el índice de columna para usar un valor de índice válido.

Mensajes de excepción
No se pueden analizar uno o varios de los índices de columna o intervalos de índice especificados.
No se pudo analizar el índice o intervalo de columnas "{column_index_or_range}".

Error 0060

Se produce una excepción cuando se especifica un intervalo de columnas fuera del intervalo en un selector de columnas.

Este error de Azure Machine Learning se produce cuando se especifica un intervalo de columna fuera del intervalo en el selector de columnas. Recibirá este error si el intervalo de columnas en el selector de columnas no corresponde a las columnas del conjunto de datos.

Resolución: Modifique el intervalo de columnas en el selector de columnas a fin de que corresponda con las columnas del conjunto de datos.

Mensajes de excepción
Se especificó un intervalo de índices de columna no válido o fuera del intervalo.
El intervalo de columnas "{column_range}" no es válido o está fuera del intervalo.

Error 0061

Se produce una excepción al intentar agregar una fila a un objeto DataTable que tiene un número de columnas distinto al de la tabla.

Este error de Azure Machine Learning se produce cuando se intenta agregar una fila a un conjunto de datos con un número diferente de columnas. Recibirá este error si la fila que se va a agregar al conjunto de datos tiene un número de columnas distinto al del conjunto de datos de entrada. La fila no se puede anexar al conjunto de datos si el número de columnas es diferente.

Resolución: Modifique el conjunto de datos de entrada para que tenga el mismo número de columnas que la fila agregada, o bien modifique la fila agregada para que tenga el mismo número de columnas que el conjunto de datos.

Mensajes de excepción
Todas las tablas deben tener el mismo número de columnas.
Las columnas del fragmento "{chunk_id_1}" son diferentes a las del fragmento "{chunk_id_2}" con un tamaño de fragmento: {chunk_size}.
El número de columnas del archivo "{filename_1}" (count={column_count_1}) es diferente al del archivo "{filename_2}" (count={column_count_2}).

Error 0062

Se produce una excepción cuando se intenta comparar dos modelos con tipos diferentes de aprendiz.

Este error de Azure Machine Learning se produce cuando no se pueden comparar las métricas de evaluación de dos conjuntos de datos con puntuación diferentes. En este caso, no es posible comparar la eficacia de los modelos usados para generar los dos conjuntos de datos con puntuación.

Resolución: Compruebe que los resultados puntuados los produce el mismo tipo de modelo de aprendizaje automático (clasificación binaria, regresión, clasificación de varias clases, recomendación, agrupación en clústeres, detección de anomalías, entre otros). Todos los modelos que se comparan deben tener el mismo tipo de aprendiz.

Mensajes de excepción
Todos los modelos deben tener el mismo tipo de aprendiz.
Tiene un tipo de aprendiz incompatible: "{actual_learner_type}". Los tipos de aprendiz esperados son: "{expected_learner_type_list}".

Error 0064

Se produce una excepción si se especifica incorrectamente el nombre o clave de almacenamiento de una cuenta de almacenamiento de Azure.

Este error de Azure Machine Learning se produce si el nombre o la clave de almacenamiento de la cuenta de almacenamiento de Azure se especifica incorrectamente. Recibirá este error si escribe un nombre o contraseña de cuenta incorrecta para la cuenta de almacenamiento. Esto puede ocurrir si especifica manualmente el nombre o contraseña de la cuenta. También puede producirse si la cuenta se eliminó.

Resolución: Compruebe que el nombre de cuenta y la contraseña se escribieron correctamente y que la cuenta existe.

Mensajes de excepción
El nombre o la clave de almacenamiento de la cuenta de almacenamiento de Azure son incorrectos.
El nombre de la cuenta de almacenamiento de Azure "{account_name}" o la clave de almacenamiento del nombre de la cuenta no son correctos.

Error 0065

Se produce una excepción si se especifica incorrectamente el nombre del blob de Azure.

Este error de Azure Machine Learning se produce si el nombre de blob se especifica incorrectamente. Recibirá el error si:

El blob no se encuentra en el contenedor especificado.

Solo se especificó el contenedor como el origen en una solicitud de Import Data (importar datos) cuando el formato era Excel o CSV con codificación; con estos formatos, no se permite la concatenación del contenido de todos los blobs dentro de un contenedor.
Un URI de SAS no contiene el nombre de un blob válido.

Resolución: Vuelva a consultar el componente que genera la excepción. Compruebe que el blob especificado existe en el contenedor de la cuenta de almacenamiento y que los permisos le permiten ver el blob. Compruebe que la entrada tiene el formato nombredecontenedor/nombredearchivo si tiene archivos Excel o CSV con formatos de codificación. Compruebe que un URI de SAS contiene el nombre de un blob válido.

Mensajes de excepción
El nombre del blob de almacenamiento de Azure es incorrecto.
El nombre del blob de almacenamiento de Azure "{blob_name}" es incorrecto.
El nombre del blob de almacenamiento de Azure con el prefijo "{blob_name_prefix}" no existe.
No se pudo encontrar ningún blob de almacenamiento de Azure en el contenedor "{container_name}".
No se pudo encontrar ningún blob de almacenamiento de Azure con la ruta de acceso comodín "{blob_wildcard_path}".

Error 0066

Se produce una excepción si no se pudo cargar un recurso en un blob de Azure.

Este error de Azure Machine Learning se produce si no se pudo cargar un recurso en un blob de Azure. Ambos se guardan en la misma cuenta de almacenamiento de Azure que contiene el archivo de entrada.

Resolución: Vuelva a consultar el componente. Compruebe que el nombre, la clave de almacenamiento y el contenedor de la cuenta de Azure son correctos y que la cuenta tiene permiso para escribir en el contenedor.

Mensajes de excepción
El recurso no se pudo cargar al almacenamiento de Azure.
El archivo "{source_path}" no se pudo cargar en el almacenamiento de Azure como "{dest_path}".

Error 0067

Se produce una excepción si un conjunto de datos tiene un número de columnas distinto al esperado.

Este error de Azure Machine Learning se produce si un conjunto de datos tiene un número de columnas distinto al esperado. Recibirá este error cuando el número de columnas del conjunto de datos sea diferente del número de columnas que el componente espera durante la ejecución.

Resolución: Modifique el conjunto de datos de entrada o los parámetros.

Mensajes de excepción
Hay un número inesperado de columnas en DataTable.
Número inesperado de columnas en el conjunto de datos "{dataset_name}".
Se esperaba(n) "{expected_column_count}" columna(s), pero el número encontrado fue "{actual_column_count}" columna(s).
En el conjunto de datos de entrada "{dataset_name}", se esperaba(n) "{expected_column_count}" columna(s), pero el número encontrado en su lugar fue "{actual_column_count}" columna(s).

Error 0068

Se produce una excepción si el script de Hive especificado no es correcto.

Este error de Azure Machine Learning se produce si hay errores de sintaxis en un script de Hive QL, o si el intérprete de Hive encuentra un error al ejecutar la consulta o script.

Resolución:

El mensaje de error de Hive normalmente se incluye en el registro de errores para que pueda tomar medidas según el error específico.

Abra el componente e inspeccione la consulta en busca de errores.
Compruebe que la consulta funciona correctamente fuera de Azure Machine Learning al iniciar sesión en la consola de Hive del clúster de Hadoop y ejecutar la consulta.
Intente colocar comentarios en el script de Hive en una línea independiente en lugar de mezclar las instrucciones ejecutables y los comentarios en una sola línea.

Recursos

Consulte los siguientes artículos para obtener ayuda con las consultas de Hive para el aprendizaje automático:

Creación de tablas de Hive y carga de datos desde Azure Blob Storage
Exploración de los datos de las tablas de Hive con consultas de Hive
Creación de características para los datos en un clúster de Hadoop mediante consultas de Hive
Hive for SQL Users Cheat Sheet (PDF) (hoja de referencia rápida de Hive para usuarios de SQL [PDF])

Mensajes de excepción
El script de Hive es incorrecto.

Error 0069

Se produce una excepción si el script de SQL especificado no es correcto.

Este error de Azure Machine Learning se produce si el script SQL especificado tiene problemas de sintaxis, o si las columnas o tabla especificada en el script no son válidas.

Recibirá este error si el motor de SQL detecta cualquier error al ejecutar la consulta o script. El mensaje de error de SQL normalmente se incluye en el registro de errores para que pueda tomar medidas según el error específico.

Resolución: Vuelva a consultar el componente e inspeccione la consulta SQL en busca de errores.

Para comprobar que la consulta funciona correctamente fuera de Azure Machine Learning, inicie sesión directamente en el servidor de base de datos y ejecute la consulta.

Si la excepción del componente le informa de un mensaje generado por SQL, tome medidas según el error notificado. Por ejemplo, los mensajes de error a veces incluyen instrucciones específicas sobre el posible error:

La columna no existe o falta la base de datos, que indica que tal vez escribió de forma incorrecta el nombre de una columna. Si está seguro de que nombre de columna es correcto, intente usar corchetes o comillas para delimitar el identificador de columna.
Error lógico de SQL cerca de una <palabra clave de SQL> , que indica que tal vez hay un error de sintaxis antes de la palabra clave especificada.

Mensajes de excepción
El script de SQL es incorrecto.
La consulta SQL "{sql_query}" no es correcta.
La consulta SQL "{sql_query}" no es correcta. Mensaje de excepción: {exception}.

Error 0070

Se produce una excepción al intentar acceder a la tabla de Azure inexistente.

Este error de Azure Machine Learning se produce cuando se intenta acceder a una tabla de Azure inexistente. Recibirá este error si, en el almacenamiento de Azure, especifica una tabla que existe cuando se lee o se escribe en Azure Table Storage. Esto puede ocurrir si se escribe incorrectamente el nombre de la tabla deseada, o si tiene una discrepancia entre el nombre de destino y el tipo de almacenamiento. Por ejemplo, quizá quería leer una tabla,pero escribió el nombre de un blob en su lugar.

Resolución: Vuelva a consultar el componente para comprobar que el nombre de la tabla es correcto.

Mensajes de excepción
La tabla de Azure no existe.
La tabla de Azure "{table_name}" no existe.

Error 0072

Se produce una excepción cuando se agota el tiempo de espera de conexión.

Este error de Azure Machine Learning se produce cuando se agota el tiempo de espera de una conexión. Recibirá este error si actualmente hay problemas de conectividad con el origen de datos o el destino (como una conectividad a Internet lenta), si el conjunto de datos es grande o si la consulta SQL que se leerá en los datos realiza procesos complicados.

Resolución: Determine si actualmente hay problemas con conexiones lentas a Azure Storage o Internet.

Mensajes de excepción
Se agotó el tiempo de espera de la conexión.

Error 0073

Se produce una excepción si hay un error al convertir una columna a otro tipo.

Este error de Azure Machine Learning se produce cuando no es posible convertir la columna a otro tipo. Recibirá este error si un componente requiere un tipo concreto y no es posible convertir la columna al nuevo tipo.

Resolución: Modifique el conjunto de datos de entrada para que la columna se pueda convertir en función de la excepción interna.

Mensajes de excepción
No se pudo convertir la columna.
No se pudo convertir la columna a {target_type}.

Error 0075

Se produce una excepción cuando se usa una función de cuantificación no válida al cuantificar un conjunto de datos.

Este error de Azure Machine Learning se produce cuando intenta cuantificar datos con un método no admitido, o cuando las combinaciones de parámetros no son válidas.

Resolución:

Se introdujo un control de errores para este evento en una versión anterior de Azure Machine Learning que permitía más personalización de los métodos de cuantificación. Actualmente todos los métodos de cuantificación se basan en la selección de una lista desplegable por lo que, técnicamente, ya no debería ser posible obtener este error.

Mensajes de excepción
Se usó una función de cuantificación no válida.

Error 0077

Se produce una excepción cuando se pasa un modo de escritura de archivo de blob desconocido.

Este error de Azure Machine Learning se produce si se pasa un argumento no válido en las especificaciones de un destino u origen de archivo de blob.

Resolución: En casi todos los componentes que importan o exportan datos desde y hacia Azure Blob Storage, los valores de parámetro que controlan el modo de escritura se asignan mediante una lista desplegable, por lo tanto, no es posible pasar un valor no válido y no debe aparecer este error. Este error quedará en desuso en una versión posterior.

Mensajes de excepción
Modo de escritura de blobs no admitido.
Modo de escritura de blobs no admitido: {blob_write_mode}.

Error 0078

Se produce una excepción cuando la opción HTTP para Import Data (importar datos) recibe un código de estado 3xx que indica redirección.

Este error de Azure Machine Learning se produce cuando la opción HTTP para Import Data (importar datos) recibe un código de estado 3xx (301, 302, 304, etc.) que indica redirección. Recibirá este error si intenta conectarse a un origen HTTP que redirige el explorador a otra página. Por cuestiones de seguridad, los sitios web de redirección no están permitidos como orígenes de datos en Azure Machine Learning.

Resolución: Si el sitio web es un sitio web de confianza, escriba la dirección URL redirigida directamente.

Mensajes de excepción
No se permite la redirección HTTP.

Error 0079

Se produce una excepción si se especifica incorrectamente el nombre del contenedor de almacenamiento de Azure.

Este error de Azure Machine Learning se produce si el nombre del contenedor de almacenamiento de Azure se especifica incorrectamente. Recibirá este error si no especificó el nombre del contenedor y del blob (archivo) mediante la opción Ruta de acceso que comienza con el contenedor de blobs al escribir en Azure Blob Storage.

Resolución: Vuelva a consultar el componente Exportar datos y compruebe que la ruta de acceso especificada en el blob contiene el nombre del contenedor y de archivo en el formato contenedor/nombredearchivo.

Mensajes de excepción
El nombre del contenedor de almacenamiento de Azure es incorrecto.
El nombre del contenedor de almacenamiento de Azure "{container_name}" no es correcto; se esperaba un nombre de contenedor con el formato contenedor/blob.

Error 0080

Se produce una excepción cuando el componente no permite columnas en las que faltan todos los valores.

Este error de Azure Machine Learning se produce cuando en una o varias de las columnas utilizadas por el componente faltan todos los valores. Por ejemplo, si un componente está calculando estadísticas agregadas para cada columna, no puede operar en una columna que no contiene ningún dato. En tales casos, la ejecución del componente se detiene con esta excepción.

Resolución: Vuelva a consultar el conjunto de datos de entrada y quite todas las columnas que contienen todos los valores que faltan.

Mensajes de excepción
No se permiten las columnas que tienen todos los valores que faltan.
Faltan todos los valores de la columna {col_index_or_name}.

Error 0081

Se produce una excepción en el componente PCA si el número de dimensiones para la reducción es igual al número de columnas de características en el conjunto de datos de entrada, que contiene al menos una columna de características dispersas.

Este error de Azure Machine Learning se produce si se cumplen las siguientes condiciones: (a) el conjunto de datos de entrada tiene al menos una columna dispersa y (b) el número final de dimensiones solicitado es el mismo que el número de dimensiones de entrada.

Resolución: Considere la posibilidad de reducir el número de dimensiones en la salida para que sea menor que el número de dimensiones en la entrada. Esto es común en las aplicaciones de PCA.

Mensajes de excepción
Para los conjuntos de datos que contienen columnas de características dispersas, el número de dimensiones en el que reducir debe ser menor que el número de columnas de características.

Error 0082

Se produce una excepción cuando un modelo no se puede deserializar correctamente.

Este error de Azure Machine Learning se produce cuando una versión más nueva del runtime de Azure Machine Learning no puede cargar una transformación o modelo de aprendizaje automático guardado como resultado de un cambio importante.

Resolución: La canalización de entrenamiento que generó el modelo o la transformación debe volver a ejecutarse, y el modelo o la transformación se deben volver a guardar.

Mensajes de excepción
El modelo no se pudo deserializar porque probablemente se serializó con un formato de serialización anterior. Vuelva a entrenar y guardar el modelo.

Error 0083

Se produce una excepción si el conjunto de datos que se usó para el entrenamiento no se puede usar para un tipo concreto de aprendiz.

Este error de Azure Machine Learning se produce cuando el conjunto de datos no es compatible con el aprendiz que se está entrenando. Por ejemplo, el conjunto de datos podría contener al menos un valor faltante en cada fila y, como resultado, todo el conjunto de datos se omitirá durante el entrenamiento. En otros casos, algunos algoritmos de aprendizaje automático (como la detección de anomalías) no esperan que las etiquetas estén presentes y generar esta excepción si las etiquetas están presentes en el conjunto de datos.

Resolución: Consulte la documentación del aprendiz que está usando para comprobar los requisitos del conjunto de datos de entrada. Examine las columnas para comprobar que todas las columnas necesarias están presentes.

Mensajes de excepción
El conjunto de datos usado para el entrenamiento no es válido.
{data_name} contiene datos no válidos para el entrenamiento.
{data_name} contiene datos no válidos para el entrenamiento. Tipo de aprendiz: {learner_type}.
{data_name} contiene datos no válidos para el entrenamiento. Tipo de aprendiz: {learner_type}. Motivo: {reason}.
No se pudo aplicar la acción "{action_name}" en los datos de entrenamiento {data_name}. Motivo: {reason}.

Error 0084

Se produce una excepción cuando se evalúan las puntuaciones generadas a partir de un script de R. No se admite actualmente.

Este error de Azure Machine Learning se produce si intenta utilizar uno de los componentes para evaluar un modelo con el resultado de un script de R que contiene puntuaciones.

Resolución:

Mensajes de excepción
Actualmente no se admiten las puntuaciones de evaluación generadas por un modelo personalizado.

Error 0085

Se produce una excepción cuando se produce un error en la evaluación del script.

Este error de Azure Machine Learning se produce cuando se ejecuta un script personalizado que contiene errores de sintaxis.

Resolución: Revise el código en un editor externo y compruebe si hay errores.

Mensajes de excepción
Error al evaluar el script.
Se produjo el error siguiente durante la evaluación del script, vea el registro de salida para obtener más información: ---------- Inicio del mensaje de error del intérprete de {script_language} ---------- {message} ---------- Fin del mensaje de error del intérprete de {lenguaje_de_script} ----------

Error 0090

Se produce una excepción cuando se produce un error en la creación de la tabla de Hive.

Este error de Azure Machine Learning se produce cuando utiliza Export Data (exportar datos) u otra opción para guardar datos en un clúster de HDInsight y no se puede crear la tabla de Hive especificada.

Resolución: Compruebe el nombre de la cuenta de almacenamiento de Azure asociada al clúster y asegúrese de usar la misma cuenta en las propiedades del componente.

Mensajes de excepción
No se pudo crear la tabla de Hive. Para un clúster de HDInsight, asegúrese de que el nombre de la cuenta de almacenamiento de Azure asociado con el clúster sea igual al valor que se pasa a través del parámetro del componente.
No se pudo crear la tabla de Hive "{table_name}". Para un clúster de HDInsight, asegúrese de que el nombre de la cuenta de almacenamiento de Azure asociado con el clúster sea igual al valor que se pasa a través del parámetro del componente.
No se pudo crear la tabla de Hive "{table_name}". Para un clúster de HDInsight, asegúrese de que el nombre de la cuenta de almacenamiento de Azure asociado con el clúster sea "{cluster_name}".

Error 0102

Se produce cuando no se puede extraer un archivo ZIP.

Este error de Azure Machine Learning se produce cuando se importa un paquete comprimido con la extensión .zip, pero el paquete no es un archivo ZIP o no utiliza un formato ZIP admitido.

Resolución: Asegúrese de que el archivo seleccionado es un archivo .ZIP válido y que se comprimió con alguno de los algoritmos de compresión admitidos.

Si recibe este error al importar los conjuntos de datos en formato comprimido, compruebe que todos los archivos contenidos utilicen alguno de los formatos de archivo compatibles y estén en formato Unicode.

Intente volver a agregar los archivos deseados a una nueva carpeta ZIP comprimida e intente volver a agregar el componente personalizado.

Mensajes de excepción
El archivo ZIP proporcionado no está en el formato correcto.

Error 0105

Este error aparece cuando un archivo de definición de componente contiene un tipo de parámetro no admitido.

Este error de Azure Machine Learning se produce cuando crea una definición de XML de componente personalizado y el tipo de un parámetro o de un argumento en la definición no coincide con un tipo admitido.

Resolución: Asegúrese de que la propiedad de tipo de todos los elementos Arg en el archivo de definición de XML del componente personalizado sean de un tipo admitido.

Mensajes de excepción
Tipo de parámetro no admitido.
Se especificó un tipo de parámetro "{0}" no admitido.

Error 0107

Se produce cuando un archivo de definición de componente define un tipo de salida no admitido.

Este error de Azure Machine Learning se produce cuando el tipo de un puerto de salida en una definición XML de componente personalizado no coincide con un tipo admitido.

Resolución: Asegúrese de que la propiedad de tipo de un elemento Output en el archivo de definición de XML del componente personalizado sea de un tipo admitido.

Mensajes de excepción
Tipo de salida no admitido.
Se especificó un tipo de salida "{output_type}" no admitido.

Error 0125

Se produce cuando el esquema de varios conjuntos de datos no coincide.

Resolución:

Mensajes de excepción
El esquema del conjunto de datos no coincide.

Error 0127

El tamaño en píxeles de la imagen supera el límite permitido.

Este error se produce si se están leyendo imágenes de un conjunto de datos de imagen para clasificación y las imágenes son más grandes de lo que el modelo puede controlar.

Mensajes de excepción
El tamaño en píxeles de la imagen supera el límite permitido.
El tamaño de píxel de la imagen del archivo "{file_path}" supera el límite permitido: "{size_limit}".

Error 0128

El número de probabilidades condicionales para las columnas de categorías supera el límite.

Resolución:

Mensajes de excepción
El número de probabilidades condicionales para las columnas de categorías supera el límite.
El número de probabilidades condicionales para las columnas de categorías supera el límite. Las columnas "{column_name_or_index_1}" y "{column_name_or_index_2}" son el par problemático.

Error 0129

El número de columnas en el conjunto de datos supera el límite permitido.

Resolución:

Mensajes de excepción
El número de columnas en el conjunto de datos supera el límite permitido.
El número de columnas del conjunto de datos de "{dataset_name}" supera el límite permitido.
El número de columnas del conjunto de datos de "{dataset_name}" supera el límite permitido de "{component_name}".
El número de columnas del conjunto de datos de "{dataset_name}" supera el límite de "{limit_columns_count}" permitido de "{component_name}".

Error 0134

Se produce una excepción cuando falta la columna de etiqueta o no tiene el número suficiente de filas con etiqueta.

Este error se produce cuando el componente requiere una columna de etiqueta, pero no se incluyó una en la selección de columnas o a la columna de etiquetas le faltan demasiados valores.

Este error también puede producirse cuando una operación anterior cambia el conjunto de datos de forma que no hay filas suficientes disponibles para una operación descendente. Por ejemplo, suponga que utiliza una expresión en el componente Partition and sample (Partición y muestra) para dividir un conjunto de datos por valores. Si no se encuentra ninguna coincidencia para la expresión, uno de los conjuntos de datos resultantes de la partición estaría vacío.

Resolución:

Si se incluye una columna de etiqueta en la selección de columna, pero no se reconoce, utilice el componente Editar metadatos para marcarla como columna de etiqueta.

A continuación, puede usar el componente Clean Missing Data (Limpiar datos faltantes) para quitar las filas con valores que faltan en la columna de etiqueta.

Compruebe los conjuntos de datos de entrada para asegurarse de que contienen datos válidos y filas suficientes para cumplir los requisitos de la operación. Muchos algoritmos generarán un mensaje de error si requieren un número mínimo de filas de datos, pero los datos contienen solo unas pocas filas, o solo un encabezado.

Mensajes de excepción
Se produce una excepción cuando falta la columna de etiqueta o no tiene el número suficiente de filas con etiqueta.
Se produce una excepción cuando falta la columna de etiqueta o tiene menos de {required_rows_count} filas etiquetadas.
Se produce una excepción cuando falta la columna de etiqueta del conjunto de datos {dataset_name} o tiene menos de {required_rows_count} filas etiquetadas.

Error 0138

La memoria se ha agotado, no se puede completar la ejecución del componente. La reducción del conjunto de datos puede ayudar a solucionar el problema.

Este error se produce cuando el componente que se está ejecutando requiere más memoria de la que está disponible en el contenedor de Azure. Esto puede ocurrir si está trabajando con un conjunto de datos de gran tamaño y la operación actual no cabe en la memoria.

Resolución: Si intenta leer un conjunto de datos grande y no se puede completar la operación, puede ser útil reducir el conjunto de datos.

Mensajes de excepción
La memoria se ha agotado, no se puede completar la ejecución del componente.
La memoria se ha agotado, no se puede completar la ejecución del componente. Detalles: {details}

Error 0141

Se produce una excepción si el número de columnas numéricas seleccionadas y valores únicos en las columnas de categoría y de cadena es demasiado pequeño.

Este error de Azure Machine Learning se produce cuando no hay suficientes valores únicos en la columna seleccionada para realizar la operación.

Resolución: Algunas operaciones realizan operaciones estadísticas en columnas de categorías y de características y, si no hay suficientes valores, la operación podría producir un error o devolver un resultado no válido. Examine el conjunto de datos para ver cuántos valores hay en las columnas de característica y etiqueta y determine si la operación que está intentando realizar es estadísticamente válida.

Si el conjunto de datos de origen es válido, también puede comprobar si alguna manipulación de datos ascendentes u operación de metadatos cambió los datos y quitó algunos valores.

Si las operaciones ascendentes incluyen la división, el muestreo o nuevos muestreos, compruebe que las salidas contienen el número esperado de filas y valores.

Mensajes de excepción
El número de columnas numéricas seleccionadas y valores únicos en las columnas de categoría y de cadena es demasiado pequeño.
El número total de las columnas numéricas seleccionadas y valores únicos de las columnas de categoría y cadena (actualmente, {actual_num}) debería ser {lower_boundary} como mínimo.

Error 0154

Se produce una excepción cuando el usuario intenta combinar datos en columnas de clave con un tipo de columna no compatible.

Mensajes de excepción
Los tipos de elemento de columna de clave no son compatibles.
Los tipos de elemento de columna de clave no son compatibles.(left: {keys_left}; right: {keys_right})

Error 0155

Se produce una excepción cuando los nombres de columna del conjunto de datos no son una cadena.

Mensajes de excepción
El nombre de la columna de dataframe debe ser un tipo de cadena. Los nombres de columna no son una cadena.
El nombre de la columna de dataframe debe ser un tipo de cadena. Los nombres de columna {column_names} no son cadenas.

Error 0156

Se produce una excepción cuando no se pueden leer los datos de Azure SQL Database.

Mensajes de excepción
No se pudieron leer los datos de Azure SQL Database.
No se pudieron leer los datos de Azure SQL Database: {detailed_message} BD: {database_server_name}: {database_name} Consulta: {sql_statement}

Error 0157

No se encuentra el almacén de datos.

Mensajes de excepción
La información del almacén de datos no es válida.
La información del almacén de datos no es válida. No se pudo obtener el almacén de datos de Azure Machine Learning "{nombre_del_almacén_de_datos}" en el área de trabajo "{nombre_del_área_de_trabajo}".

Error 0158

Se produce cuando un directorio de transformación no es válido.

Mensajes de excepción
El TransformationDirectory concreto no es válido.
TransformationDirectory "{arg_name}" no es válido. Motivo: {reason}. Vuelva a ejecutar el experimento de entrenamiento que genera el archivo de transformación. Si se ha eliminado el experimento de entrenamiento, vuelva a crear y guarde el archivo de transformación.
TransformationDirectory "{arg_name}" no es válido. Motivo: {reason}. {troubleshoot_hint}

Error 0159

Se produce una excepción si el directorio del modelo del componente no es válido.

Mensajes de excepción
El elemento ModelDirectory especificado no es válido.
ModelDirectory "{arg_name}" no es válido.
ModelDirectory "{arg_name}" no es válido. Motivo: {reason}.
ModelDirectory "{arg_name}" no es válido. Motivo: {reason}. {troubleshoot_hint}

Error 1000

Excepción interna de biblioteca.

Este error se proporciona para capturar los errores de motor interno que no se controlan de otra forma. Por lo tanto, la causa de este error puede variar según el componente que ha generado el error.

Para obtener más ayuda, se recomienda que publique el mensaje detallado que acompaña al error en el foro de Azure Machine Learning, junto con una descripción del escenario. Incluya los datos que se usaron como entradas. Estos comentarios nos ayudarán a dar prioridad a los errores e identificar los problemas más importantes para operaciones futuras.

Mensajes de excepción
Excepción de biblioteca.
Excepción de biblioteca: {exception}.
Excepción de biblioteca desconocida: {exception}. {customer_support_guidance}.

Componente Execute Python Script

Busque in azureml_main en 70_driver_logs del componente Execute Python Script (Ejecutar script de Python) y podrá encontrar la línea en la que se produjo el error. Por ejemplo, la línea 17, "File "/tmp/tmp01_ID/user_script.py" de azureml_main" indica que el error se produjo en la línea 17 del script de Python.

Entrenamiento distribuido

Actualmente, el diseñador admite el entrenamiento distribuido para el componente Train PyTorch Model (Entrenar modelo de PyTorch).

Si se produce un error en el entrenamiento distribuido habilitado para el componente sin ningún registro 70_driver, puede comprobar 70_mpi_log para ver los detalles del error.

En el ejemplo siguiente se muestra que el número de nodos de los parámetros de ejecución es mayor que el número de nodos disponibles del clúster de proceso.

En el ejemplo siguiente que el Recuento de procesos por nodo es mayor que la Unidad de procesamiento del proceso.

De lo contrario, puede comprobar 70_driver_log para cada proceso. 70_driver_log_0 es para el proceso maestro.