Solución de problemas de excepciones de módulo en Machine Learning Studio (clásico) mediante códigos de error

Importante

El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.

A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.

• Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
• Más información sobre Azure Machine Learning.

La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.

Obtenga información sobre los mensajes de error y los códigos de excepción que puede encontrar con módulos en Machine Learning Studio (clásico).

Para resolver el problema, busque el error en este artículo para conocer las causas comunes. Hay dos maneras de obtener el texto completo de un mensaje de error en Studio (clásico):

• Haga clic en el vínculo View Output Log (Ver el registro de salida) en el panel derecho y desplácese hasta el final. El mensaje de error detallado se muestra en las dos últimas líneas de la ventana.

• Seleccione el módulo que tiene el error y haga clic en la X roja. Se muestra únicamente el texto de error pertinente.

Si el texto del mensaje de error no es útil, envíenos información sobre el contexto y las adiciones o cambios deseables. Puede enviar comentarios sobre el tema de error o visitar el foro de Machine Learning Studio (clásico) y publicar una pregunta.

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 módulo, 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 el experimento.

Resolución: Vuelva a consultar el módulo que genera esta excepción y valide que los nombres de columna son correctos y que todas las columnas referenciadas existen.

Mensajes de excepción
No se encontraron una o varias de las columnas especificadas.
No se encontró la columna con el nombre o índice "{0}"
La columna con el nombre o índice "{0}" no existe en "{1}"

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 se produce en Machine Learning cuando se especifica un parámetro como entrada y el tipo de valor es diferente del tipo esperado y no se puede realizar la conversión implícita.

Resolución: Compruebe los requisitos del módulo 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 "{0}"
No se pudo analizar (convertir) el parámetro "{0}" a "{1}"
No se pudo convertir el parámetro "{0}" de "{1}" a "{2}"
No se pudo convertir el valor "{1}" del parámetro "{0}" de "{2}" a "{3}"
No se pudo convertir el valor "{0}" en la columna"{1}" de "{2}" a "{3}" mediante el formato "{4}" proporcionado.

Error 0003

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

Recibirá este error en Machine Learning si las entradas o parámetros de un módulo son null o están vacías. 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 módulo 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 "{0}" 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 Machine Learning si el parámetro del mensaje está por debajo de un valor de límite necesario para que el módulo procese los datos.

Resolución: Vuelva a consultar el módulo 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 del parámetro "{0}" debe ser mayor que {1}.
El parámetro "{0}" tiene un valor "{1}", que debería ser mayor que {2}.

Error 0005

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

Recibirá este error en Machine Learning si el parámetro del mensaje está por debajo o igual a un valor de límite necesario para que el módulo procese los datos.

Resolución: Vuelva a consultar el módulo 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 del parámetro "{0}" debe ser mayor que {1}.
El parámetro "{0}" tiene un valor "{1}", que debería ser mayor o igual que {2}.

Error 0006

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

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

Resolución: Vuelva a consultar el módulo 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 "{0}" debe ser menor que el valor del parámetro "{1}".
El parámetro "{0}" tiene un valor "{1}", que debería ser menor que {2}.

Error 0007

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

Recibirá este error en Machine Learning si, en las propiedades del módulo, especificó un valor mayor que el 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 módulo 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 módulo acepta varias entradas, asegúrese de que las entradas son del mismo tamaño.
• Si el módulo tiene varias propiedades que se pueden establecer, asegúrese de que las propiedades relacionadas tengan los valores adecuados. Por ejemplo, al usar Agrupar datos en contenedores, si usa la opción para especificar bordes de intervalo personalizados, el número de contenedores debe coincidir con el número de valores que proporcione como límites de intervalo.
• 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 "{0}" debe ser menor o igual que el valor del parámetro "{1}".
El parámetro "{0}" tiene un valor "{1}", que debería ser menor o igual que {2}.

Error 0008

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

Recibirá este error en Machine Learning si el parámetro del mensaje está fuera de los límites necesarios para que el módulo 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 módulo que genera la excepción y modifique el parámetro para que se encuentre dentro del intervalo especificado.

Mensajes de excepción
El valor del parámetro no se encuentra en el intervalo especificado.
El valor del parámetro "{0}" no está en el intervalo.
El valor del parámetro "{0}" debe encontrarse en el intervalo de [{1}, {2}].

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 se produce en Machine Learning Studio (clásico) cuando se especifican 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. Algunos tipos de cuenta nuevos no se admiten para su uso con Machine Learning Studio (clásico). 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 módulo Import Data (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.

Algunos tipos de cuenta más recientes no son compatibles con Machine Learning. 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.

Recursos

Consulte este artículo para obtener una explicación de las diferentes opciones de almacenamiento que se admiten: Importación de datos en Machine Learning Studio (clásico) desde varios orígenes de datos en línea con el módulo Importar datos

Experimentos de ejemplo

Consulte estos experimentos en Cortana Intelligence Gallery para obtener ejemplos de cómo conectarse a diferentes orígenes de datos:

• Datos de entrada de varios orígenes: este laboratorio proporciona una guía visual para usar muchos de los orígenes de datos de Azure ML: experimentos de AzureML e interacción de datos

• Base de datos de Azure Cosmos: lectura de datos de Azure Cosmos DB en Machine Learning

• Importación de datos no legibles mediante Python: carga de archivos que no son de texto desde Azure Blob Storage

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 "{0}" o el nombre de contenedor "{1}" 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 Machine Learning si el índice de columna del 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 {0} (de base cero) en los conjuntos de datos de entrada ({1} y {2}, 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 Machine Learning si la selección de columna especificada no coincide con ninguna de las columnas del conjunto de datos especificado.

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

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

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

Si se seleccionan las columnas incorrectas, quítelas y vuelva a ejecutar el experimento.

Mensajes de excepción
El conjunto de columnas especificado no se aplica a ninguna de las columnas del conjunto de datos.
El conjunto de columnas "{0}" 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
El modelo no está entrenado, entrene primero el modelo.
El modelo ({0}) no está entrenado, utilice un modelo entrenado.

Error 0013

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

Este error se produce siempre que un modelo entrenado no es compatible con el módulo de puntuación conectado. Por ejemplo, al conectar la salida de Train Matchbox Recommender to Score Model (en lugar de Score Matchbox Recommender) se generará este error cuando se ejecute el experimento.

Resolución:

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

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

Tipo de modelo	Módulo de entrenamiento	Módulo de puntuación
cualquier clasificador	Entrenamiento de modelos o ajuste de hiperparámetros de modelo	Score Model (puntuar modelo)
cualquier modelo de regresión	Entrenamiento de modelos o ajuste de hiperparámetros de modelo	Score Model (puntuar modelo)
modelos de agrupación en clústeres	Train Clustering Model (entrenar un modelo de agrupación en clústeres) o Sweep Clustering (limpiar una agrupación en clústeres)	Assign Data to Clusters (asignar datos a los clústeres)
detección de anomalías - SVM de una clase	Train Anomaly Detection Model (entrenar un modelo de detección de anomalías)	Score Model (puntuar modelo)
detección de anomalías - PCA	Entrenamiento de modelos o ajuste de hiperparámetros de modelo	Puntuar modelo Se requieren algunos pasos adicionales para evaluar el modelo.
detección de anomalías - serie temporal	Detección de anomalías en una series temporal	El modelo se entrena a partir de los datos y genera las puntuaciones. El módulo no crear un aprendiz entrenado y no se requiere ninguna puntuación adicional.
modelo de recomendación	Train Matchbox Recommender (entrenar un recomendador de Matchbox)	Score Matchbox Recommender (puntuar un recomendador de Matchbox)
clasificación de imágenes	Pretrained Cascade Image Classification (clasificación de imágenes en cascada previamente entrenada)	Score Model (puntuar modelo)
Modelos de VowPal Wabbit	Train Vowpal Wabbit Version 7-4 Model (entrenar un modelo de Vowpal Wabbit versión 7-4)	Score Vowpal Wabbit Version 7-4 Model (puntuar un modelo de Vowpal Wabbit versión 7-4)
Modelos de VowPal Wabbit	Train Vowpal Wabbit Version 7-10 Model (entrenar un modelo de Vowpal Wabbit versión 7-10)	Score Vowpal Wabbit Version 7-10 Model (puntuar un modelo de Vowpal Wabbit versión 7-10)
Modelos de VowPal Wabbit	Train Vowpal Wabbit Version 8 Model (entrenar un modelo de Vowpal Wabbit versión 8)	Score Vowpal Wabbit Version 8 Model (puntuar un modelo de Vowpal Wabbit versión 8)

Mensajes de excepción
Se pasó un aprendiz de tipo no válido.
El aprendiz "{0}" tiene un tipo no válido.

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. Por ejemplo, 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.

Resolución:

Abra el módulo que generó el error e identifique las columnas que se usan como entradas. En el caso de algunos módulos, 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 los datos de texto, es posible que pueda usar Preprocesar texto para contraer entradas similares.
• En el caso de los datos numéricos, puede crear un número menor de contenedores mediante Agrupar datos en contenedores, quitar o truncar valores mediante Valores de clip, o usar métodos de aprendizaje automático como Análisis de componentes principales o Learning con Recuentos para reducir la dimensionalidad de los datos.

Sugerencia

¿No logra encontrar una solución que coincida con su escenario? Puede enviar comentarios sobre este tema incluyendo el nombre del módulo 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
El número de valores únicos de columna es mayor que lo permitido.
El número de valores únicos en la columna: "{0}" supera el recuento de tuplas de {1}.

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: {0}.

Error 0016

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

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

Resolución: Use Editar metadatos, modifique el conjunto de datos de entrada original o use Convertir en conjunto de datos 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 {0} y {1} son incompatibles.
Los tipos de elemento de columna no son compatibles para la columna {0} (de base cero) en los conjuntos de datos de entrada ({1} y {2}, respectivamente).

Error 0017

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

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

Resolución:

1. Identifique a la columna problemática.
2. Revise los requisitos del módulo.
3. Modifique la columna para que cumpla con los requisitos. Es posible que deba utilizar varios de los siguientes módulos 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.
   • Use Convertir en conjunto de datos para asegurarse de que todas las columnas incluidas usan tipos de datos compatibles con Machine Learning. Si no puede convertir las columnas, considere la posibilidad de quitarlas del conjunto de datos de entrada.
   • Use los módulos Apply SQL Transformation (Aplicar SQL Transformación) o Execute R Script (Ejecutar script R) para convertir o convertir las columnas que no se pueden modificar mediante Editar metadatos. Estos módulos proporcionan más flexibilidad para trabajar con tipos de datos datetime.
   • En el caso de los tipos de datos numéricos, puede usar el módulo Aplicar operación matemática para redondear o truncar valores, o bien usar el módulo Clip Values (Recortar valores) para quitar valores fuera del intervalo.
4. Como último recurso, es posible que necesite modificar el conjunto de datos de entrada original.

Sugerencia

¿No logra encontrar una solución que coincida con su escenario? Puede enviar comentarios sobre este tema incluyendo el nombre del módulo 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
No se puede procesar la columna del tipo actual. El tipo no es compatible con el módulo.
No se puede procesar la columna del tipo {0}. El tipo no es compatible con el módulo.
No se puede procesar la columna "{1}" del tipo {0}. El tipo no es compatible con el módulo.
No se puede procesar la columna "{1}" del tipo {0}. El tipo no es compatible con el módulo. Nombre de parámetro: {2}

Error 0018

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

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

• El módulo requiere una columna de etiqueta, pero no hay ninguna columna marcada como etiqueta, o aún no selecciona una columna de etiqueta.

• El módulo requiere que los datos sean de categoría, pero son numéricos.

• El módulo requiere un tipo de datos específico. Por ejemplo, las clasificaciones proporcionadas al recomendador Train Matchbox pueden ser numéricas o categóricas, pero no pueden ser números de punto flotante.

• 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 módulo que consumirá el conjunto de datos como entrada.

También se recomienda usar Summarize Data o Compute Elementary Statistics para generar perfiles de los datos y usar estos módulos para corregir metadatos y valores limpios: Editar metadatos, Limpiar datos que faltan, Valores de recorte.

Mensajes de excepción
El conjunto de datos no es válido.
{0} contiene datos no válidos.
{0} y {1} deben tener columnas coherentes.

Error 0019

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

Recibirá este error en Machine Learning si los valores de columna especificados están desordenados.

Resolución: Ordene los valores de columna al modificar manualmente el conjunto de datos de entrada y volver a ejecutar el módulo.

Mensajes de excepción
Los valores en la columna no están ordenados.
Los valores en la columna "{0}" no están ordenados.
Los valores en la columna "{0}" del conjunto de datos "{1}" no están ordenados.

Error 0020

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

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

Resolución: Vuelva a consultar el módulo y asegúrese de que el selector de columnas tiene 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 es menor que el mínimo permitido de {0} columna(s).
El número de columnas en el conjunto de datos de entrada "{0}" es menor que el mínimo permitido de {1} columna(s).

Error 0021

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

Este error se muestra en Machine Learning cuando no hay suficientes filas en el conjunto de datos 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 módulo que devolvió el error y compruebe las propiedades del conjunto de datos de entrada y el módulo.
• 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 módulo.
• 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 módulo 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.

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 Machine Learning puede producirse cuando el módulo o la operación de bajada requieren un número específico de columnas o entradas, y ha proporcionado demasiadas o demasiadas 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 módulo.

• 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 módulo y compruebe la selección de columna para asegurarse de que está seleccionado el número correcto de columnas. Compruebe las salidas de los módulos 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.

Si está intentando especificar una lista separada por comas de conjuntos de datos como entradas para desempaquetar conjuntos de datos comprimidos, desempaque solo un conjunto de datos a la vez. No se admiten varias entradas.

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 a {0}.
El patrón de selección de columnas "{0}" proporcionó un número de columnas seleccionadas en el conjunto de datos de entrada no es igual a {1}.
Se espera que el patrón de selección de columnas "{0}" proporcione la(s) {1} columna(s) seleccionada(s) en el conjunto de datos de entrada, pero se proporcionaron {2} columna(s).

Error 0023

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

Este error en Machine Learning se produce si la columna de destino (como está seleccionada en los parámetros del módulo) no es del tipo de datos válido, contenía todos los valores que faltan o no era categórico según lo previsto.

Resolución: Vuelva a consultar la entrada del módulo para inspeccionar el contenido de la columna de etiqueta o destino. Asegúrese de que no contenga todos los valores que faltan. Si el módulo 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 "{0}".
El conjunto de datos de entrada tiene una columna de destino no compatible "{0}" para el aprendiz de tipo {1}.

Error 0024

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

Este error de Machine Learning se produce cuando el módulo 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 no se detecte correctamente mediante Machine Learning.

Resolución:

• Abra el módulo 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 módulo de puntuación ascendente.
• Para marcar explícitamente la columna como columna de etiqueta, agregue el módulo Edit Metadata (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 "{0}".

Error 0025

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

Este error de Machine Learning se produce si la entrada del 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 el de 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 módulo de nivel superior.

Mensajes de excepción
No hay ninguna columna de puntuación en el conjunto de datos.
No hay ninguna columna de puntuación en "{0}".
No hay ninguna columna de puntuación en "{0}" producida por un "{1}". 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 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 módulo Edit Metadata (editar metadatos) entre el conjunto de datos de entrada y el módulo. 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 módulo no permite los nombres de columna iguales.
No se permiten nombres de columna iguales en los argumentos "{0}" y "{1}". Especifique nombres diferentes.

Error 0027

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

Se trata de un error común en Machine Learning y puede deberse a muchas condiciones.

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 "{0}" no es coherente con el tamaño de "{1}".

Error 0028

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

Este error de 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 Edit Metadata (editar metadatos) entre el conjunto de datos de entrada y el módulo 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 "{0}" está duplicado.
El nombre "{0}" está duplicado en "{1}".

Error 0029

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

Este error en Machine Learning se produce en caso de que se pase 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 módulo 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.

Error 0030

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

Esta excepción en 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: {0}.

Error 0031

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

Este error de Machine Learning se produce si el número de columnas seleccionadas es menor de lo 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.
Es necesario especificar {0} columna(s). El número real de columnas especificadas es {1}.

Error 0032

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

Recibirá este error en Machine Learning si el argumento es double o NaN.

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

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

Error 0033

Se produce una excepción si el argumento es infinito.

Este error de 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 deben ser finito.
"{0}" no es finito.

Error 0034

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

Este error en Machine Learning se produce en la recomendación si un par de elementos de usuario 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 {0} y elemento {1} en la tabla de datos de predicción de clasificación.

Error 0035

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

Este error de Machine Learning se produce al intentar 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. Debe asegurarse 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.

Al puntuar desde un modo de recomendación, puede usar características de elemento o usuario solo si usó anteriormente características de elemento o usuario durante el entrenamiento. Para obtener más información, vea Score Matchbox Recommender.

Para obtener información general sobre cómo funciona el algoritmo de recomendación matchbox y cómo preparar un conjunto de datos de características de elemento o características de usuario, consulte Train Matchbox Recommender.

Sugerencia

¿La resolución no se aplica a su caso? Puede enviar comentarios sobre este artículo y proporcionar información sobre el escenario, incluido el módulo 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 {0} 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 en Machine Learning se produce si se define un vector de característica 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.
Hay una definición de característica duplicada para {0}.

Error 0037

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

Este error de 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.

Error 0038

Se produce una excepción si se espera que el número de elementos sea un valor exacto, pero no lo es.

Este error en Machine Learning se produce si el número de elementos esperados debe ser un valor exacto, pero no lo es. Recibirá este error si el número de elementos no es igual que el valor esperado válido.

Resolución: Modifique la entrada para que tenga el número correcto de elementos.

Mensajes de excepción
El número de elementos no es válido.
El número de elementos de "{0}" no es válido.
El número de elementos de "{0}" no es igual al número válido de elementos de {1}.

Error 0039

Se produce una excepción si una operación devuelve error.

Este error en 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 y proporcione información acerca de los módulos que generaron el error y las condiciones relacionadas.

Mensajes de excepción
No se pudo realizar la operación.
Error al completar la operación: {0}.

Error 0040

Se produce una excepción al llamar a un módulo en desuso.

Este error en Machine Learning se produce al llamar a un módulo en desuso.

Resolución: Reemplace el módulo en desuso por uno admitido. Consulte el registro de salida del módulo para obtener información sobre qué módulo va a usar en su lugar.

Mensajes de excepción
Acceso a un módulo en desuso.
El módulo "{0}" está en desuso. Utilice el módulo "{1}" en su lugar.

Error 0041

Se produce una excepción al llamar a un módulo en desuso.

Este error en Machine Learning se produce al llamar a un módulo en desuso.

Resolución: Reemplace el módulo en desuso por un conjunto de admitidos. Esta información debe estar visible en el registro de salida del módulo.

Mensajes de excepción
Acceso a un módulo en desuso.
El módulo "{0}" está en desuso. Utilice los módulos "{1}" para obtener la funcionalidad solicitada.

Error 0042

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

Este error de Machine Learning se produce cuando no es posible convertir la columna al tipo especificado. Recibirá este error si un módulo 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 módulo 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 los módulos Execute R Script (Ejecutar script R ) o 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:
  • Recorte de valores
  • Clean Missing Data (limpiar datos faltantes)
  • Normalize Data (normalizar datos)
  • Agrupar datos en contenedores

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 módulo 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 {0} a la columna de tipo {1}.
No se pudo convertir la columna "{2}" del tipo {0} a la columna de tipo {1}.
No se pudo convertir la columna "{2}" del tipo {0} a la columna "{3}" de tipo {1}.

Error 0043

Se produce una excepción cuando el tipo de elemento no implementa Equals de manera explícita.

Este error en Machine Learning no se usa y quedará en desuso.

Resolución: Ninguno.

Mensajes de excepción
No se encontró ningún método Equals explícito accesible.
No se pueden comparar los valores de la columna \"{0}\" de tipo {1}. No se encontró ningún método Equals explícito accesible.

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 en Machine Learning se produce cuando no es posible deducir el tipo de una columna o columnas de un conjunto de datos. Esto suele suceder al concatenar dos o más conjuntos de datos con diferentes tipos de elemento. Si Machine Learning no puede determinar un tipo común que pueda representar todos los valores de una columna o columnas sin pérdida de información, 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 "{0}", todos los elementos son referencias nulas.
No se puede derivar el tipo de elemento de la columna "{0}" en el conjunto de datos "{1}", 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 Machine Learning se produce cuando los tipos de elemento de dos conjuntos de datos que se combinan son diferentes.

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.).

Mensajes de excepción
No se puede crear una columna con tipos de elemento mixtos.
No se puede crear la columna con ID "{0}" de los tipos de elemento mixtos:\n\tEl tipo de datos[{1}, {0}] es {2}\n\tEl tipo de datos[{3}, {0}] es {4}.

Error 0046

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

Este error en 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 módulo 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: {0} 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 módulo el número de columnas de características es demasiado pequeño.

Este error de Machine Learning se produce si el conjunto de datos de entrada al entrenamiento no contiene el número mínimo de columnas requeridas por 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 para asegurarse de que hay una o varias columnas adicionales aparte de 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 {0} columna(s).
El número de columnas de características en el conjunto de datos de entrada "{0}" es menor que el mínimo permitido de {1} columna(s).

Error 0048

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

Este error en 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 módulo 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.

Si intenta leer un archivo de imagen, asegúrese de que cumple los requisitos de los archivos de imagen en términos de tamaño, número de píxeles, etc. Para obtener más información, vea Importar imágenes.

Mensajes de excepción
No se puede abrir un archivo.
Error al abrir el archivo: {0}.

Error 0049

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

Este error en Machine Learning se produce cuando no es posible analizar un archivo. Recibirá este error si el formato de archivo seleccionado en el módulo Import Data (importar datos) no coincide con el formato real del archivo, o si el archivo contiene un carácter no reconocible.

Resolución: Vuelva a consultar el módulo 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: {0}.

Error 0050

Se produce una excepción cuando los archivos de entrada y salida son los mismos.

Resolución: Este error en Machine Learning no se usa y quedará en desuso.

Mensajes de excepción
Los archivos especificados para la entrada y salida no pueden ser el mismo.

Error 0051

Se produce una excepción cuando varios archivos de salida son el mismo.

Resolución: Este error en Machine Learning no se usa y quedará en desuso.

Mensajes de excepción
Los archivos especificados para las salidas no pueden ser el mismo.

Error 0052

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

Este error de Machine Learning se produce si la clave usada para 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 módulo 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 Machine Learning se produce cuando no se encuentra 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 0054

Se produce una excepción si no hay suficientes valores distintivos en la columna para completar la operación.

Resolución: Este error en Machine Learning no se usa y quedará en desuso.

Mensajes de excepción
Los datos tienen valores distintivos insuficientes en la columna especificada para completar la operación.
Los datos tienen valores distintivos insuficientes en la columna especificada para completar la operación. El mínimo requerido es {0} elementos.
Los datos tienen valores distintivos insuficientes en la columna "{1}" para completar la operación. El mínimo requerido es {0} elementos.

Error 0055

Se produce una excepción al llamar a un módulo en desuso.

Este error de Machine Learning aparece si intenta llamar a un módulo que ha quedado en desuso.

Resolución:

Mensajes de excepción
Acceso a un módulo en desuso.
El módulo "{0}" está en desuso.

Error 0056

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

Este error de Machine Learning se produce cuando se eligen 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 módulo que está utilizando requiere que la columna también esté marcada como una columna de característica, etiqueta o categorías.

Por ejemplo, el módulo Convertir en valores de indicador requiere que las columnas sean categóricas y generarán este error si selecciona una columna de característica o una columna de etiqueta.

Resolución:

1. Revise el tipo de datos de las columnas seleccionadas actualmente.

2. Determine si las columnas seleccionadas son de categorías, etiqueta o características.

3. Revise el tema de ayuda para el módulo en el que realizó la selección de columnas para determinar si hay requisitos específicos sobre el tipo de datos o el uso de columnas.

4. 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 "{0}" 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 módulo Exportar datos u otro módulo para guardar los resultados de un experimento en Machine Learning en Azure Blob Storage, pero se intenta crear un archivo o un 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 módulo genera un error si intenta escribir un conjunto de datos en un blob que ya existe.

• Abra las propiedades del módulo y cambie la propiedad Modo de escritura de Azure Blob Storage a Overwrite.
• 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 "{0}" ya existe.

Error 0058

Este error de 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 módulo 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 módulo Edit Metadata (editar metadatos) y asegúrese de que la columna de etiqueta está marcada como una etiqueta.

Mensajes de excepción
La columna de etiqueta no es la esperada.
La columna de etiqueta no es la esperada en "{0}".
La columna de etiqueta "{0}" no es la esperada en "{1}".

Error 0059

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

Este error de Machine Learning se produce si no se puede analizar un índice de columna especificado al usar 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 "{0}".

Error 0060

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

Este error de Machine Learning se produce cuando se especifica un intervalo de columnas 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 "{0}" 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 Machine Learning se produce al intentar agregar una fila a un conjunto de datos que tiene un número diferente de columnas que el conjunto de datos. 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.

Error 0062

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

Este error de Machine Learning se produce cuando no se pueden comparar las métricas de evaluación de dos conjuntos de datos puntuados 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.

Error 0063

Esta excepción se produce cuando se produce un error en la evaluación del script de R.

Este error se produce cuando se ha proporcionado un script de R en uno de los módulos del lenguaje R en Machine Learning y el código de R contiene errores de sintaxis internos. La excepción también puede producirse si proporciona entradas incorrectas al script de R.

El error también puede producirse si el script es demasiado grande para ejecutarse en el área de trabajo. El tamaño máximo del script para el módulo Ejecutar script R es de 1000 líneas o 32 KB de espacio de trabajo, lo que sea menor.

Solución:

1. En Machine Learning Studio (clásico), haga clic con el botón derecho en el módulo que tiene el error y seleccione Ver registro.
2. Examine el registro de errores estándar del módulo, que contiene el seguimiento de la pila.
   • Las líneas que comienzan por [ModuleOutput] indican la salida de R.
   • Los mensajes de R marcados como advertencias normalmente no hacen que se produzca un error en el experimento.
3. Resolución de problemas de script.
   • Compruebe si hay errores de sintaxis de R. Compruebe si hay variables definidas pero que nunca se han rellenado.
   • Revise los datos de entrada y el script para determinar si los datos o variables del script usan caracteres no admitidos por Machine Learning.
   • Compruebe si todas las dependencias del paquete están instaladas.
   • Compruebe si el código carga las bibliotecas necesarias que no se cargan de forma predeterminada.
   • Compruebe si los paquetes necesarios son la versión correcta.
   • Asegúrese de que cualquier conjunto de datos que desee generar se convierta en una trama de datos.
4. Vuelva a enviar el experimento.

Nota

Estos temas contienen ejemplos de código de R que puede usar, así como vínculos a experimentos en la Galería de inteligencia de Cortana que usan script de R.

• Ejecución script de R
• Crear modelo R

Mensajes de excepción
Error al evaluar el script de R.
Se produjo el siguiente error durante la evaluación del script de R: ---------- Inicio del mensaje de error de R ---------- {0} ----------- Fin del mensaje de error de R -----------
Durante la evaluación del script de R "{1}" se produjo el siguiente error: ---------- Inicio del mensaje de error de R ---------- {0} ----------- Fin del mensaje de error de R -----------

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 Machine Learning se produce si el nombre de la cuenta de almacenamiento de Azure o la clave de almacenamiento se especifican 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 "{0}" o la clave de almacenamiento de la cuenta de almacenamiento de Azure son incorrectos.

Error 0065

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

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

• El blob no se encuentra en el contenedor especificado.

• El nombre completo del blob especificado para la salida en uno de los Learning con los módulos Counts es mayor que 512 caracteres.

• 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 módulo 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
La instancia de Azure Storage Blob es incorrecta.
El nombre de instancia de Azure Storage Blob "{0}" es incorrecto.

Error 0066

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

Este error en Machine Learning se produce si no se pudo cargar un recurso en un blob de Azure. Recibirá este mensaje si Train Vowpal Wabbit 7-4 Model encuentra un error al intentar guardar el modelo o el hash creado al entrenar el modelo. Ambos se guardan en la misma cuenta de almacenamiento de Azure que contiene el archivo de entrada.

Resolución: Vuelva a consultar el módulo. 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 "{0}" no se pudo cargar al almacenamiento de Azure como {1}.

Error 0067

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

Este error en Machine Learning se produce si un conjunto de datos tiene un número diferente de columnas de las esperadas. Recibirá este error cuando el número de columnas del conjunto de datos sea diferente del número de columnas que el módulo 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.
Se esperaban "{0}" columnas, pero en su lugar se encontraron "{1}" columnas.

Error 0068

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

Este error en Machine Learning se produce si hay errores de sintaxis en un script QL de Hive o si el intérprete de Hive encuentra un error al ejecutar la consulta o el 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 módulo e inspeccione la consulta en busca de errores.
• Compruebe que la consulta funciona correctamente fuera de Machine Learning iniciando sesión en la consola de Hive del clúster de Hadoop y ejecutando 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.
El script de Hive {0} es incorrecto.

Error 0069

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

Este error en Machine Learning se produce si el script de SQL especificado tiene problemas de sintaxis o si las columnas o la tabla especificadas 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 módulo e inspeccione la consulta SQL en busca de errores.

Compruebe que la consulta funciona correctamente fuera de Azure Machine Learning al iniciar sesión directamente en el servidor de la base de datos y ejecutar la consulta.

Si la excepción del módulo 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 "{0}" no es correcta.
La consulta SQL "{0}" no es correcta: {1}.

Error 0070

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

Este error en Machine Learning se produce al intentar 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 módulo para comprobar que el nombre de la tabla es correcto.

Mensajes de excepción
La tabla de Azure no existe.
La tabla de Azure "{0}" no existe.

Error 0071

Se produce una excepción si se proporcionan credenciales incorrectas.

Este error en Machine Learning se produce si las credenciales proporcionadas son incorrectas.

También podría recibir este error si el módulo no se puede conectar a un clúster de HDInsight.

Resolución: Revise las entradas del módulo y compruebe el nombre y la contraseña de la cuenta.

Busque los siguientes problemas que pueden producir un error:

• El esquema del conjunto de datos no coincide con el esquema del DataTable de destino.

• Los nombres de columna están mal escritos o faltan.

• Está escribiendo en una tabla que tiene nombres de columna con caracteres no válidos. Normalmente puede delimitar estos nombres de columna entre corchetes, pero si no funciona, edite los nombres de columna para que incluyan solo letras y guiones bajos (_).

• Las cadenas que está intentando escribir contienen comillas simples.

Si está intentando conectarse a un clúster de HDInsight, compruebe que se puede acceder al clúster de destino con las credenciales proporcionadas.

Mensajes de excepción
Se pasaron credenciales incorrectas.
Se pasó un nombre de usuario "{0}" o contraseña incorrectos.

Error 0072

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

Este error en 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 la conectividad lenta a Internet, o si el conjunto de datos es grande o la consulta de SQL para leer en los datos realiza un procesamiento complicado.

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 en Machine Learning se produce cuando no es posible convertir columna a otro tipo. Recibirá este error si un módulo 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 {0}.

Error 0074

Se produce una excepción cuando Edit Metadata (editar metadatos) intenta convertir una columna dispersa en categórica.

Este error en Machine Learning se produce cuando edita metadatos intenta convertir una columna dispersa en categórica. Recibirá este error al intentar convertir las columnas dispersas en categorías con la opción Make categorical (convertir en categoría). Machine Learning no admite matrices de categorías dispersas, por lo que se producirá un error en el módulo.

Resolución: Convierta primero la columna en densa mediante Convertir en conjunto de datos o no convierta la columna en categórico.

Mensajes de excepción
Las columnas dispersas no se pueden convertir en categorías.

Error 0075

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

Este error en Machine Learning se produce cuando se intenta discretizar datos mediante un método no admitido o cuando las combinaciones de parámetros no son válidas.

Solución:

El control de errores para este evento se introdujo en una versión anterior de Machine Learning que permitía más personalización de métodos de discretización. 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.

Si recibe este error al usar el módulo Agrupar datos en contenedores, considere la posibilidad de notificar el problema en el foro de Machine Learning, proporcionando los tipos de datos, la configuración de parámetros y el mensaje de error exacto.

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 Machine Learning se produce si se pasa un argumento no válido en las especificaciones de un destino o origen de un archivo de blob.

Resolución: En casi todos los módulos 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 blob no admitido.
Modo de escritura de blob no admitido: {0}.

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 en Machine Learning se produce cuando la opción HTTP para Importar datos recibe un código de estado 3xx (301, 302, 304, etc.) que indica el redireccionamiento. Recibirá este error si intenta conectarse a un origen HTTP que redirige el explorador a otra página. Por motivos de seguridad, el redireccionamiento de sitios web no se permite como orígenes de datos para 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 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 módulo Export Data (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 "{0}" no es correcto; se esperaba un nombre de contenedor con el formato contenedor/blob.

Error 0080

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

Este error de Machine Learning se produce cuando una o varias de las columnas consumidas por el módulo contienen todos los valores que faltan. Por ejemplo, si un módulo está calculando estadísticas agregadas para cada columna, no puede funcionar en una columna que no contiene datos. En tales casos, la ejecución del módulo 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.
La columna {0} tiene todos los valores que faltan.

Error 0081

Se produce una excepción en el módulo 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 en Machine Learning se produce si se cumplen las condiciones siguientes: (a) el conjunto de datos de entrada tiene al menos una columna dispersa y (b) el número final de dimensiones solicitadas 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. Para obtener más información, vea Análisis de componentes principales.

Mensajes de excepción
Para los conjuntos de datos que contienen columnas de características dispersas, el número de dimensiones para la reducción 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 en Machine Learning se produce cuando una transformación o modelo de aprendizaje automático guardado no se puede cargar mediante una versión más reciente del entorno de ejecución de Machine Learning como resultado de un cambio importante.

Resolución: El experimento de entrenamiento que produjo el modelo o transformación debe volver a ejecutarse y se debe volver a guardar el modelo o la transformación.

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 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.
{0} contiene datos no válidos para el entrenamiento.
{0} contiene datos no válidos para el entrenamiento. Tipo de aprendiz: {1}.

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 en Machine Learning se produce si intenta usar uno de los módulos para evaluar un modelo con salida de un script de R que contiene puntuaciones.

Resolución:

Mensajes de excepción
Actualmente no se admiten las puntuaciones de evaluación generadas por R.

Error 0085

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

Este error de 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.
El siguiente error se produjo durante la evaluación del script y vea el registro de salida para obtener más información: ---------- inicio del mensaje de error del {0} intérprete ---------- {1} ---------- fin del mensaje de error del {0} intérprete ----------

Error 0086

Se produce una excepción cuando una transformación de recuento no es válida.

Este error de Machine Learning se produce al seleccionar una transformación basada en una tabla de recuento, pero la transformación seleccionada no es compatible con los datos actuales o con la nueva tabla de recuento.

Resolución: El módulo permite guardar los recuentos y las reglas que componen la transformación en dos formatos diferentes. Si va a combinar las tablas de recuento, compruebe que las dos tablas que quiere combinar utilizan el mismo formato.

En general, una transformación basada en recuentos solo puede aplicarse a los conjuntos de datos que tienen el mismo esquema que el conjunto de datos en el que se creó originalmente la transformación.

Para obtener información general, consulte Learning con recuentos. Para conocer los requisitos específicos de la creación y combinación de características basadas en recuentos, consulte estos temas:

• Combinar la transformación de recuento

• Importar una tabla de recuento

• Modificar los parámetros de la tabla de recuento

Mensajes de excepción
Se especificó una transformación de recuento no válida.
La transformación de recuento en el puerto de entrada "{0}" no es válida.
La transformación de recuento en el puerto de entrada "{0}" no se puede combinar con la transformación de recuento en el puerto de entrada "{1}". Compruebe los metadatos utilizados para el recuento de coincidencias.

Error 0087

Se produce una excepción cuando se especifica un tipo de tabla de recuento no válido para el aprendizaje con módulos de recuentos.

Este error de Machine Learning se produce al intentar importar una tabla de recuento existente, pero la tabla no es compatible con los datos actuales o con la nueva tabla de recuento.

Resolución: Hay diferentes formatos para guardar los recuentos y las reglas que componen la transformación. Si va a combinar las tablas de recuento, compruebe que ambas utilizan el mismo formato.

En general, una transformación basada en recuentos solo puede aplicarse a los conjuntos de datos que tienen el mismo esquema que el conjunto de datos en el que se creó originalmente la transformación.

Para obtener información general, consulte Learning con recuentos. Para conocer los requisitos específicos para crear y combinar características basadas en recuentos, consulte estos temas:

Error 0088

Se produce una excepción cuando se especifica un tipo de recuento no válido para el aprendizaje con módulos de recuentos.

Este error en Machine Learning se produce cuando se intenta usar un método de recuento diferente al que se admite para la caracterización basada en recuentos.

Resolución: En general, los métodos de recuento se eligen en una lista desplegable, por lo que no debería ver este error.

Para obtener información general, consulte Learning con recuentos. Para conocer los requisitos específicos para crear y combinar características basadas en recuentos, consulte estos temas:

• Combinar la transformación de recuento

• Importar una tabla de recuento

• Modificar los parámetros de la tabla de recuento

Mensajes de excepción
Se especificó un tipo de recuento no válido.
El tipo de recuento especificado "{0}" no es válido.

Error 0089

Se produce una excepción cuando el número de clases especificado es menor que el número real de clases en el conjunto de datos utilizado para el recuento.

Este error en Machine Learning se produce cuando se crea una tabla de recuento y la columna de etiqueta contiene un número diferente de clases de las especificadas en los parámetros del módulo.

Resolución: Compruebe el conjunto de datos y averigüe exactamente cuántos valores distintos (clases posibles) hay en la columna de etiqueta. Cuando se crea la tabla de recuento, debe especificar este número de clases como mínimo.

La tabla de recuento no puede determinar automáticamente el número de clases disponibles.

Cuando se crea la tabla de recuento, no se puede especificar 0 o ni ningún otro número menor que el número real de clases en la columna de etiqueta.

Mensajes de excepción
El número de clases es incorrecto. Asegúrese de que el número de clases que especifique en el panel de parámetros es mayor o igual que el número de clases de la columna de etiqueta.
El número de clases especificado es "{0}"; no es mayor que un valor de etiqueta "{1}" en el conjunto de datos que se usó para el recuento. Asegúrese de que el número de clases que especifique en el panel de parámetros es mayor o igual que el número de clases de la columna de etiqueta.

Error 0090

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

Este error de Machine Learning se produce cuando se usan 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 módulo.

Mensajes de excepción
No se pudo crear la tabla de Hive. Para un clúster de HDInsight, asegúrese de que el nombre de cuenta de almacenamiento de Azure asociado con el clúster es igual al valor que se pasa a través del parámetro de módulo.
No se pudo crear la tabla de Hive "{0}". Para un clúster de HDInsight, asegúrese de que el nombre de cuenta de almacenamiento de Azure asociado con el clúster es igual al valor que se pasa a través del parámetro de módulo.
No se pudo crear la tabla de Hive "{0}". Para un clúster de HDInsight, asegúrese de que el nombre de cuenta de almacenamiento de Azure asociado con el clúster es "{1}".

Error 0100

Se produce una excepción cuando se especifica un lenguaje no admitido para un módulo personalizado.

Este error de Machine Learning se produce al compilar un módulo personalizado y la propiedad name del elemento Language en un archivo de definición xml del módulo personalizado tiene un valor no válido. Actualmente, el único valor válido para esta propiedad es R. Por ejemplo:

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

Resolución: Compruebe que la propiedad name del elemento Language del archivo de definición xml del módulo personalizado está establecida Ren . Guarde el archivo, actualice el paquete ZIP del módulo personalizado e intente agregar de nuevo el módulo personalizado.

Mensajes de excepción
Se especificó un lenguaje de módulo personalizado no admitido.

Error 0101

Todos los id. de puerto y de parámetro deben ser únicos.

Este error en Machine Learning se produce cuando a uno o varios puertos o parámetros se les asigna el mismo valor de identificador en un archivo de definición XML del módulo personalizado.

Resolución: Compruebe que los valores de identificador en todos los puertos y parámetros son únicos. Guarde el archivo XML, actualice el paquete ZIP del módulo personalizado e intente agregar de nuevo el módulo personalizado.

Mensajes de excepción
Todos los id. de puerto y de parámetro deben ser únicos.
El módulo "{0}" tiene id. de puerto o argumento duplicados. Todos los id. de puerto o argumento deben ser únicos para un módulo.

Error 0102

Se produce cuando no se puede extraer un archivo ZIP.

Este error en Machine Learning se produce cuando se importa un paquete comprimido con la extensión .zip, pero el paquete no es un archivo ZIP o el archivo no usa un formato ZIP compatible.

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. Para obtener más información, consulte Desempaquetar conjuntos de datos comprimidos.

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

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

Error 0103

Se produce cuando un archivo ZIP no contiene ningún archivo .xml.

Este error en Machine Learning se produce cuando el paquete ZIP del módulo personalizado no contiene ningún archivo de definición de módulo (.xml). Estos archivos deben residir en la raíz del paquete ZIP (por ejemplo, no dentro de una subcarpeta).

Resolución: Compruebe que uno o varios archivos de definición de módulo xml están en la carpeta raíz del paquete zip extrayendolos en una carpeta temporal de la unidad de disco. Los archivos XML deben encontrarse directamente en la carpeta en la que extrajo el paquete ZIP. Asegúrese de crear el paquete ZIP que no seleccione una carpeta que contenga archivos XML para comprimir, ya que se creará una subcarpeta dentro del paquete zip con el mismo nombre que la carpeta seleccionada para comprimir.

Mensajes de excepción
El archivo ZIP no contiene los archivos de definición del módulo (archivos .xml)

Error 0104

Se produce cuando un archivo de definición de módulo hace referencia a un script que no se encuentra.

Este error en Machine Learning se produce cuando un archivo de definición xml del módulo personalizado hace referencia a un archivo de script en el elemento Language que no existe en el paquete ZIP. La ruta de acceso del archivo de script se define en la propiedad sourceFile del elemento Language. La ruta de acceso al archivo de origen es relativa a la raíz del paquete ZIP (la misma ubicación que los archivos de definición XML del módulo). Si el archivo de script está en una subcarpeta, debe especificarse la ruta de acceso relativa al archivo de script. Por ejemplo, si todos los scripts se almacenaran en una carpeta myScripts dentro del paquete ZIP, el elemento Language tendría que agregar esta ruta de acceso a la propiedad sourceFile como se muestra a continuación. Por ejemplo:

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

Resolución: Asegúrese de que el valor de la propiedad sourceFile en el elemento Language de la definición xml del módulo personalizado es correcto y que el archivo de origen existe en la ruta de acceso relativa correcta en el paquete ZIP.

Mensajes de excepción
El archivo de script de R al que se hace referencia no existe.
No se pudo encontrar el archivo de script de R "{0}". Asegúrese de que la ruta de acceso relativa al archivo es correcta desde la ubicación de las definiciones.

Error 0105

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

Este error de Machine Learning se produce cuando se crea una definición xml del módulo personalizado y el tipo de un parámetro o 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 módulo personalizado sean de un tipo admitido.

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

Error 0106

Se produce cuando un archivo de definición de módulo define un tipo de entrada no admitido.

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

Resolución: Asegúrese de que la propiedad type de un elemento Input en el archivo de definición XML del módulo personalizado es un tipo compatible.

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

Error 0107

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

Este error en Machine Learning se produce cuando el tipo de puerto de salida en una definición xml de módulo 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 módulo personalizado sea de un tipo admitido.

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

Error 0108

Se produce cuando un archivo de definición de módulo define más puertos de entrada o salida de los que se admiten.

Este error en Machine Learning se produce cuando se definen demasiados puertos de entrada o salida en una definición xml del módulo personalizado.

Resolución: Asegúrese de que el número máximo de puertos de entrada y salida definidos en la definición xml del módulo personalizado no supera el número máximo de puertos admitidos.

Mensajes de excepción
Se superó el número admitido de puertos de entrada o salida.
Se superó el número de puertos de "{0}" admitidos. El número máximo permitido de puertos de "{0}" es "{1}".

Error 0109

Se produce cuando un archivo de definición de módulo define incorrectamente un selector de columnas.

Este error de Machine Learning se produce cuando la sintaxis de un argumento del selector de columnas contiene un error en una definición xml del módulo personalizado.

Resolución: Este error se produce cuando la sintaxis de un argumento del selector de columnas contiene un error en una definición xml del módulo personalizado.

Mensajes de excepción
Sintaxis no admitida para el selector de columnas.

Error 0110

Se produce cuando un archivo de definición de módulo define un selector de columnas que hace referencia a un id. de puerto de entrada inexistente.

Este error en Machine Learning se produce cuando la propiedad portId dentro del elemento Properties de un argumento de tipo ColumnPicker no coincide con el valor de identificador de un puerto de entrada.

Resolución: Asegúrese de que la propiedad portId coincide con el valor de identificador de un puerto de entrada definido en la definición xml del módulo personalizado.

Mensajes de excepción
El selector de columnas hace referencia a un id. de puerto de entrada que no existe.
El selector de columnas hace referencia a un id. de puerto de entrada "{0}" que no existe.

Error 0111

Se produce cuando un archivo de definición de módulo define una propiedad no válida.

Este error en Machine Learning se produce cuando se asigna una propiedad no válida a un elemento de la definición XML del módulo personalizado.

Resolución: Asegúrese de que la propiedad es compatible con el elemento de módulo personalizado.

Mensajes de excepción
La definición de propiedad no es válida.
La definición de propiedad "{0}" no es válida.

Error 0112

Se produce cuando no se puede analizar un archivo de definición de módulo.

Este error en Machine Learning se produce cuando hay un error en el formato xml que impide que la definición XML del módulo personalizado se analice como un archivo XML válido.

Resolución: Asegúrese de que cada elemento está abierto y cerrado correctamente. Asegúrese de que no hay ningún error en el formato XML.

Mensajes de excepción
No se puede analizar el archivo de definición del módulo.
No se puede analizar el archivo de definición del módulo "{0}".

Error 0113

Se produce cuando un archivo de definición de módulo contiene errores.

Este error en Machine Learning se produce cuando se puede analizar el archivo de definición XML del módulo personalizado, pero contiene errores, como la definición de elementos no admitidos por módulos personalizados.

Resolución: Asegúrese de que el archivo de definición de módulo personalizado define elementos y propiedades compatibles con módulos personalizados.

Mensajes de excepción
El archivo de definición de módulo contiene errores.
El archivo de definición de módulo "{0}" contiene errores.
El archivo de definición de módulo "{0}" contiene errores. {1}

Error 0114

Se produce cuando se produce un error al crear un módulo.

Este error en Machine Learning se produce cuando se produce un error en una compilación de módulo personalizado. Esto se produce cuando experimenta uno o varios errores relacionados con el módulo personalizado al agregar el módulo personalizado. Los errores adicionales se notifican dentro de este mensaje de error.

Resolución: Resuelva los errores notificados en este mensaje de excepción.

Mensajes de excepción
No se pudo crear el módulo personalizado.
Las creaciones de módulos personalizados devolvieron los errores: {0}

Error 0115

Se produce cuando un script predeterminado de módulo personalizado tiene una extensión no admitida.

Este error de Machine Learning se produce cuando se proporciona un script para un módulo personalizado que usa una extensión de nombre de archivo desconocida.

Resolución: Compruebe el formato de archivo y la extensión de nombre de archivo de los archivos de script incluidos en el módulo personalizado.

Mensajes de excepción
Extensión no admitida para el script predeterminado.
Extensión de archivo {0} no admitida para el script predeterminado.

Error 0121

Se produce cuando los procesos de escritura SQL devuelven un error porque no se puede escribir en la tabla.

Este error en Machine Learning se produce cuando se usa el módulo Exportar datos para guardar los resultados en una tabla de una base de datos de SQL y la tabla no se puede escribir en. Normalmente, verá este error si el módulo Export Data (exportar datos) establece correctamente una conexión con la instancia de SQL Server pero no logra escribir el contenido del conjunto de datos de Azure Machine Learning en la tabla.

Solución:

• Abra el panel de propiedades del módulo Export Data (exportar datos) y compruebe que los nombres de base de datos y tabla se escribieron correctamente.
• Revise el esquema del conjunto de datos que va a exportar y asegúrese de que los datos son compatibles con la tabla de destino.
• Compruebe que el inicio de sesión SQL asociado con el nombre de usuario y contraseña tiene los permisos para escribir en la tabla.
• Si la excepción contiene información de error adicional desde SQL Server, utilice esa información para realizar las correcciones.

Mensajes de excepción
Se conectó al servidor, no se puede escribir en la tabla.
No se puede escribir en la tabla de SQL: {0}

Error 0122

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

Este error en Machine Learning se produce cuando se han seleccionado demasiadas columnas como columnas de peso.

Resolución: Revise el conjunto de datos de entrada y sus metadatos. Asegúrese de que solo una columna contiene pesos.

Mensajes de excepción
Se especificaron varias columnas de peso.

Error 0123

Se produce una excepción si se especifica la columna de vectores en la columna de etiqueta.

Este error en Machine Learning se produce si usa un vector como columna de etiqueta.

Resolución: Cambie el formato de datos de la columna si es necesario o elija otra columna.

Mensajes de excepción
La columna de vectores se especificó como una columna de etiqueta.

Error 0124

Se produce una excepción si se especifican columnas no numéricas como columnas de peso.

Resolución:

Mensajes de excepción
Se especificó una columna no numérica como columna de peso.

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 0126

Se produce una excepción si el usuario especifica un dominio SQL que no se admite en Azure Machine Learning.

Este error se produce cuando el usuario especifica un dominio SQL que no se admite en Machine Learning. Recibirá este error si intenta conectarse a un servidor de bases de datos en un dominio que no está en la lista de permitidos. Actualmente, los dominios SQL permitidos son: ". database.windows.net",".cloudapp.net" o ".database.secure.windows.net". Es decir, el servidor debe ser una instancia de Azure SQL server o un servidor en una máquina virtual de Azure.

Resolución: Vuelva a consultar el módulo. Compruebe que el servidor de base de datos SQL pertenece a uno de los dominios aceptados:

• .database.windows.net

• .cloudapp.net

• .database.secure.windows.net

Mensajes de excepción
Dominio SQL no admitido.
El dominio SQL {0} no se admite actualmente en Azure Machine Learning.

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.

Resolución: Para obtener más información sobre el tamaño de la imagen y otros requisitos, consulte estos temas:

• Importación de imágenes

• Pretrained Cascade Image Classification (clasificación de imágenes en cascada previamente entrenada)

Mensajes de excepción
El tamaño en píxeles de la imagen supera el límite permitido.
El tamaño en píxeles de la imagen en el archivo "{0}" supera el límite permitido: "{1}".

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 "{0}" y "{1}" 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 en el conjunto de datos de "{0}" supera lo permitido.
El número de columnas en el conjunto de datos de "{0}" supera el límite permitido de "{1}".
El número de columnas en el conjunto de datos de "{0}" supera el límite de "{1}" permitido de "{2}".

Error 0130

Se produce una excepción cuando todas las filas del conjunto de datos de entrenamiento contienen valores faltantes.

Esto sucede si alguna columna del conjunto de datos de entrenamiento está vacía.

Resolución: Use el módulo Limpiar datos que faltan para quitar columnas con todos los valores que faltan.

Mensajes de excepción
Todas las filas del conjunto de datos de entrenamiento contienen valores que faltan. Considere utilizar el módulo Clean Missing Data (limpiar datos que faltan) para quitar los valores que faltan.

Error 0131

Se produce una excepción si se produce un error al descomprimir y registrar correctamente uno o varios conjuntos de datos en un archivo ZIP.

Este error se produce cuando se produce un error al descomprimir y leer correctamente uno o varios conjuntos de datos en un archivo ZIP. Recibirá este error si la descompresión produce un error porque el archivo ZIP o uno de los archivos que contiene están dañados, o bien si hay un error del sistema al intentar descomprimir y expandir un archivo.

Resolución: Use los detalles proporcionados en el mensaje de error para determinar cómo continuar.

Mensajes de excepción
No se pudieron cargar los conjuntos de datos comprimidos.
Error del conjunto de datos comprimido {0} con el mensaje siguiente: {1}
Error del conjunto de datos comprimido {0} con una excepción de {1} con el mensaje: {2}

Error 0132

No se especificó ningún nombre de archivo para descomprimirse; se encontraron varios archivos en el archivo ZIP.

Este error se produce cuando no se especificó ningún nombre de archivo para descomprimirse; se encontraron varios archivos en el archivo ZIP. Recibirá este error si el archivo .zip contiene más de un archivo comprimido, pero no especificó un archivo para extracción en el cuadro de texto Dataset to Unpack (conjunto de datos para desempaquetar) en el panel Property del módulo. Actualmente, se puede extraer un único archivo cada vez que se ejecuta el módulo.

Resolución: El mensaje de error proporciona una lista de los archivos que se encuentran en el archivo .zip. Copie el nombre del archivo deseado y péguelo en el cuadro de texto Dataset to Unpack (conjunto de datos para desempaquetar).

Mensajes de excepción
El archivo ZIP contiene varios archivos; debe especificar el archivo que se va a expandir.
El archivo contiene más de un archivo. Especifique el archivo que se va a expandir. Se encontraron los siguientes archivos: {0}

Error 0133

No se encontró el archivo especificado en el archivo ZIP.

Este error se produce cuando el nombre de archivo especificado en el campo Dataset to Unpack (conjunto de datos para desempaquetar) del panel Property no coincide con el nombre de ninguno de los archivos que se encuentran en el archivo .zip. Las causas más comunes de este error son los errores tipográficos o buscar el archivo que quiere expandir en el archivo incorrecto.

Resolución: Vuelva a consultar el módulo. Si el nombre del archivo que quería descomprimir se muestra en la lista de archivos encontrados, copie el nombre de archivo y péguelo en el cuadro de propiedad Dataset to Unpack (conjunto de datos para descomprimir). Si no ve el nombre de archivo deseado en la lista, compruebe que tiene el archivo .zip correcto y el nombre correcto del archivo deseado.

Mensajes de excepción
No se encontró el archivo especificado en el archivo ZIP.
No se encontró el archivo especificado. Se encontraron los siguientes archivos: {0}

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 módulo 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 módulo 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 incluye una columna de etiqueta en la selección de columnas, pero no se reconoce, use el módulo Editar metadatos para marcarla como una columna de etiqueta.

Use el módulo Summarize Data (Resumir datos ) para generar un informe que muestre cuántos valores faltan en cada columna. A continuación, puede usar el módulo Clean Missing Data (eliminar 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 {0} filas con etiqueta.

Error 0135

Solo se admiten los clústeres basados en centroides.

Resolución: Es posible que encuentre este mensaje de error si ha intentado evaluar un modelo de agrupación en clústeres basado en un algoritmo de agrupación en clústeres personalizado que no usa centrosids para inicializar el clúster.

Puede usar Evaluate Model (Evaluar modelo ) para evaluar los modelos de agrupación en clústeres basados en el módulo agrupación en clústeres K-Means . Para algoritmos personalizados, use el módulo Ejecutar script R para crear un script de evaluación personalizado.

Mensajes de excepción
Solo se admiten los clústeres basados en centroides.

Error 0136

No se devolvió ningún nombre de archivo; como resultado, no se puede procesar el archivo.

Resolución:

Mensajes de excepción
No se devolvió ningún nombre de archivo; como resultado, no se puede procesar el archivo.

Error 0137

El SDK de Azure Storage encontró un error al convertir entre las propiedades de tabla y columnas de conjunto de datos durante la lectura o escritura.

Resolución:

Mensajes de excepción
Error de conversión entre la propiedad de Azure Table Storage y la columna de conjunto de datos.
Error de conversión entre la propiedad de Azure Table Storage y la columna de conjunto de datos. Información adicional: {0}

Error 0138

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

Este error se produce cuando el módulo 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.

Si usa las visualizaciones de conjuntos de datos para comprobar la cardinalidad de las columnas, solo se muestrearán algunas filas. Para obtener un informe completo, use Resumir datos. También puede usar la transformación Aplicar SQL para comprobar el número de valores únicos de cada columna.

A veces, las cargas transitorias pueden provocar este error. La compatibilidad con la máquina también cambia con el tiempo. Consulte las preguntas más frecuentes de Machine Learning para obtener una descripción del tamaño de datos admitido.

Pruebe a usar el análisis de componentes principales o uno de los métodos de selección de características proporcionados para reducir el conjunto de datos a un conjunto más pequeño de columnas más enriquecidas en características: Selección de características

Mensajes de excepción
La memoria se ha agotado, no se puede completar la ejecución del módulo.

Error 0139

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

Este error de Machine Learning se produce al intentar convertir una columna en un tipo de datos diferente, pero ese tipo no es compatible con la operación actual o el módulo.

El error también puede aparecer cuando un módulo intenta convertir implícitamente los datos para cumplir con los requisitos del módulo actual, pero la conversión no es posible.

Solución:

1. Revise los datos de entrada y determine el tipo de datos exacto de la columna que quiere usar y el tipo de datos de la columna que está generando el error. En ocasiones puede parecer que el tipo de datos es correcto, pero descubre que una operación ascendente modificó el tipo de datos o el uso de una columna. Utilice el módulo Edit Metadata (editar etiquetas) para restablecer los metadatos de columna a su estado original.

2. Examine la página de ayuda del módulo para comprobar los requisitos para la operación especificada. Determine qué tipos de datos son compatibles con el módulo actual, y qué intervalo de valores se admite.

3. Si es necesario truncar, redondear o quitar valores atípicos, use los módulos Aplicar operación matemática o Clip Values para realizar correcciones.

4. Considere si es posible convertir la columna a un tipo de datos diferente. Todos los módulos siguientes proporcionan bastante flexibilidad y eficacia para modificar datos:

   • Aplicación de transformaciones de SQL
   • Ejecución script de R
   • Ejecute script de Python.

Nota

¿Sigue sin funcionar? Considere la posibilidad de enviar comentarios adicionales sobre el problema para ayudarnos a desarrollar mejores guías para solucionar problemas. Simplemente envíe comentarios sobre esta página y proporcione el nombre del módulo que generó el error, así como la conversión de tipos de datos que produjo un error.

Mensajes de excepción
Conversión no permitida.
No se pudo convertir: {0}.
No se pudo convertir: {0}, en la fila {1}.
No se pudo convertir la columna del tipo {0} a la columna del tipo {1} en la fila {2}.
No se pudo convertir la columna "{2}" del tipo {0} a la columna del tipo {1} en la fila {3}.
No se pudo convertir la columna "{2}" del tipo {0} a la columna "{3}" del tipo {1} en la fila {4}.

Error 0140

Se produce una excepción si el argumento del conjunto de columnas que se pasó no contiene otras columnas, excepto una columna de etiqueta.

Este error se produce si se conectó un conjunto de datos con un módulo que requiere varias columnas (incluida una de características), pero se ha proporcionado solo la columna de etiqueta.

Resolución: Elija al menos una columna de características para incluir en el conjunto de datos.

Mensajes de excepción
El conjunto de columnas especificado no contiene otras columnas, excepto una columna de etiqueta.

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 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. Compruebe el conjunto de datos para ver cuántos valores hay en las columnas fature y label 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 columnas numéricas seleccionadas y valores únicos en las columnas de categoría y de cadena (actualmente, {0}) debería ser {1} como mínimo.

Error 0142

Se produce una excepción cuando el sistema no puede cargar el certificado para autenticación.

Resolución:

Mensajes de excepción
No se puede cargar el certificado.
No se puede cargar el certificado {0}. Su huella digital es {1}.

Error 0143

No se puede analizar la dirección URL proporcionada por el usuario que se supone procede de GitHub.

Este error de Machine Learning se produce cuando se especifica una dirección URL no válida y el módulo requiere una dirección URL de GitHub válida.

Resolución: Compruebe que la dirección URL hace referencia a un repositorio de GitHub válido. Actualmente, no se admiten otros tipos de sitio.

Mensajes de excepción
La dirección URL no es de github.com.
La dirección URL no es de github.com: {0}

Error 0144

A la URL de GitHub proporcionada por el usuario le falta un elemento esperado.

Este error de Machine Learning se produce cuando se especifica un origen de archivo GitHub con un formato de dirección URL no válido.

Resolución: Compruebe que la dirección URL del repositorio de GitHub sea válida y termine con \blob\ o \tree\.

Mensajes de excepción
No se puede analizar la dirección URL de GitHub.
No se puede analizar GitHub dirección URL (se espera "\blob\" o "\tree\" después del nombre del repositorio):{0}

Error 0145

Por algún motivo, no se puede crear el directorio de replicación.

Este error de Machine Learning se produce cuando el módulo no puede crear el directorio especificado.

Resolución:

Mensajes de excepción
No se puede crear el directorio de replicación.

Error 0146

Cuando los archivos de usuario se descomprimen en el directorio local, la ruta de acceso combinada puede ser demasiado larga.

Este error de Machine Learning se produce al extraer archivos, pero algunos nombres de archivo son demasiado largos cuando se descomprimen.

Resolución: Edite los nombres de archivo de forma que la ruta de acceso combinada y el nombre de archivo no tenga más de 248 caracteres.

Mensajes de excepción
La ruta de replicación tiene más de 248 caracteres, acorte el nombre del script o la ruta de acceso.

Error 0147

Por algún motivo, no se pudieron descargar elementos de GitHub.

Este error de Machine Learning se produce cuando no se pueden leer ni descargar los archivos especificados de GitHub.

Resolución: El problema podría ser temporal; Es posible que intente acceder a los archivos en otro momento. O bien compruebe que tiene los permisos necesarios y que el origen es válido.

Mensajes de excepción
Error de acceso a GitHub.
Error de acceso a GitHub. {0}

Error 0148

Problemas de acceso no autorizado al extraer datos o crear el directorio.

Este error en Machine Learning se produce cuando intenta crear un directorio o leer datos del almacenamiento, pero no tiene los permisos necesarios.

Resolución:

Mensajes de excepción
Excepción de acceso no autorizado al extraer datos.

Error 0149

El archivo de usuario no existe dentro de la agrupación de GitHub.

Este error de Machine Learning se produce cuando no se encuentra el archivo especificado.

Resolución:

Mensajes de excepción
No se encuentra el archivo de GitHub.
No se encuentra el archivo de GitHub: {0}

Error 0150

Los scripts que proceden de los paquetes de usuario no se pudieron comprimir, probablemente debido a una colisión con archivos de GitHub.

Este error de Machine Learning se produce cuando no se puede extraer un script, normalmente cuando hay un archivo existente con el mismo nombre.

Resolución:

Mensajes de excepción
La agrupación no se puede descomprimir; probablemente hay una colisión de nombres con archivos de GitHub.

Error 0151

Se produjo un error al escribir en el almacenamiento en nube. Compruebe la dirección URL.

Este error de Machine Learning se produce cuando el módulo intenta escribir datos en el almacenamiento en la nube, pero la dirección URL no está disponible o no es válida.

Resolución: compruebe la dirección URL y compruebe que se puede escribir.

Mensajes de excepción
Error al escribir en el almacenamiento en la nube (posiblemente debido a una dirección URL incorrecta).
Se produjo un error al escribir en el almacenamiento en la nube: {0}. Compruebe la dirección URL.

Error 0152

El tipo de la nube de Azure se especificó incorrectamente en el contexto del módulo.

Mensajes de excepción
Tipo de nube de Azure incorrecto.
Tipo de nube de Azure incorrecto: {0}

Error 0153

El punto de conexión de almacenamiento especificado no es válido.

Mensajes de excepción
Tipo de nube de Azure incorrecto.
Punto de conexión de almacenamiento incorrecto: {0}

Error 0154

No se pudo resolver el nombre del servidor especificado.

Mensajes de excepción
No se pudo resolver el nombre del servidor especificado.
No se pudo resolver el servidor {0}.documents.azure.com especificado.

Error 0155

El cliente DocDb produjo una excepción.

Mensajes de excepción
El cliente DocDb produjo una excepción.
Cliente DocDb: {0}

Error 0156

Respuesta incorrecta para el servidor de HCatalog.

Mensajes de excepción
Respuesta incorrecta para el servidor de HCatalog. Compruebe que se están ejecutando todos los servicios.
Respuesta incorrecta para el servidor de HCatalog. Compruebe que se están ejecutando todos los servicios. Detalles del error: {0}

Error 0157

Se produjo un error al leer desde Azure Cosmos DB debido a esquemas de documentos incoherentes o distintos. El lector necesita que todos los documentos tengan el mismo esquema.

Mensajes de excepción
Se detectaron documentos con esquemas distintos. Asegúrese de que todos los documentos tienen el mismo esquema.

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 módulo que generó el error.

Para obtener más ayuda, se recomienda publicar el mensaje detallado que acompaña al error en el foro de Machine Learning, junto con una descripción del escenario, incluidos los datos usados 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: {0}
Excepción de biblioteca {1}: {0}

Más ayuda

Códigos de error del módulo

¿Necesita más ayuda o sugerencias de solución de problemas para Machine Learning? Pruebe estos recursos:

• Guía de solución de problemas: creación y conexión a un área de trabajo de Machine Learning
• Machine Learning preguntas más frecuentes (P+F)