Exceptions et codes d’erreur pour le concepteur

Article
04/04/2023

Cet article décrit les messages d’erreur et les codes d’exception dans le concepteur Azure Machine Learning afin de vous aider à résoudre les problèmes liés à vos pipelines d’apprentissage automatique.

Vous pouvez trouver le message d’erreur dans le concepteur en procédant comme suit :

Sélectionnez le composant ayant échoué, accédez à l’onglet Résultats + Journaux, où vous trouverez le journal détaillé dans le fichier 70_driver_log.txt sous la catégorie azureml-logs.
Pour plus d’informations sur l’erreur du composant, vous pouvez consulter error_info.json sous la catégorie composant_statistics.

Voici les codes d’erreur des composants dans le concepteur.

Erreur 0001

Une exception se produit si une ou plusieurs colonnes spécifiées du jeu de données sont introuvables.

Vous recevrez cette erreur si une sélection de colonne est effectuée pour un composant, mais que la ou les colonnes sélectionnées n’existent pas dans le jeu de données d’entrée. Cette erreur peut se produire si vous avez tapé manuellement un nom de colonne ou si le sélecteur de colonne a fourni une colonne suggérée qui n’existe pas dans votre jeu de données lorsque vous avez exécuté le pipeline.

Résolution : Réexaminez le composant qui génère cette exception et vérifiez que le ou les noms des colonnes sont corrects et que toutes les colonnes référencées existent bien.

Messages d’exception
Une ou plusieurs colonnes spécifiées sont introuvables.
La colonne portant le nom ou l’index « {ID_colonne} » est introuvable.
La colonne portant le nom ou l’index « {ID_colonne} » n’existe pas dans « {nom_argument_avec_colonne_manquante} ».
La colonne portant le nom ou l’index « {ID_colonne} » n’existe pas dans « {colonne_manquante_nom_argument} », mais elle existe dans « {nom_argument_avec_colonne} ».
Les colonnes portant le nom ou l’index « {noms_colonnes} » sont introuvables.
Les colonnes portant le nom ou l’index « {noms_colonnes} » n’existent pas dans « {nom_argument_avec_colonne_manquante} ».
Les colonnes portant le nom ou l’index « {noms_colonnes} » n’existent pas dans « {nom_argument_avec_colonne_manquante} », mais elles existent dans « {nom_argument_avec_colonne} ».

Erreur 0002

Une exception se produit si un ou plusieurs paramètres n’ont pas pu être analysés ou convertis à partir du type spécifié en fonction du type de méthode cible.

Cette erreur se produit dans Azure Machine Learning lorsque vous spécifiez un paramètre comme entrée et que le type valeur est différent du type attendu et que la conversion implicite ne peut pas être effectuée.

Résolution : Vérifiez les exigences du composant et déterminez quel type de valeur est requis (chaîne, entier, double, etc.)

Messages d’exception
Échec de l’analyse du paramètre.
Impossible d’analyser le paramètre « {nom_argument_ou_colonne} ».
Échec de la conversion du paramètre « {nom_argument_ou_colonne} » en « {type_cible} ».
Échec de la conversion du paramètre « {nom_argument_ou_colonne} » de « {type_source} » en « {type_cible} ».
Échec de la conversion de la valeur de paramètre « {nom_argument_ou_colonne} » « {valeur_argument} » de « {type_source} » en « {type_cible} ».
Échec de la conversion de la valeur « {valeur_argument} » dans la colonne « {nom_argument_ou_colonne} » de « {type_source} » en « {type_cible} » avec l’utilisation du format « {fmt} » fourni.

Erreur 0003

Cette exception se produit si une ou plusieurs entrées sont null ou vide.

Vous recevrez cette erreur dans Azure Machine Learning si les entrées ou paramètres d’un composant sont null ou vides. Cette erreur peut se produire, par exemple, lorsque vous n’avez tapé aucune valeur pour un paramètre. Cela peut également se produire si vous avez sélectionné un jeu de données vide ou un jeu de données pour lequel il manque des valeurs.

Résolution :

Ouvrez le composant qui a produit l’exception et vérifiez que toutes les entrées ont été spécifiées. Assurez-vous que toutes les entrées requises sont spécifiées.
Assurez-vous que les données chargées à partir du stockage Azure sont accessibles et que le nom ou la clé du compte n’a pas changé.
Vérifiez que les données d’entrée ne contiennent pas de valeurs nulles et qu’elles contiennent toutes les valeurs requises.
Si vous utilisez une requête sur une source de données, vérifiez que les données sont renvoyées dans le format attendu.
Recherchez les fautes de frappe ou d’autres modifications dans la spécification des données.

Messages d’exception
Une ou plusieurs des entrées sont null ou vides.
L’entrée « {name} » est Null ou vide.

Erreur 0004

Une exception se produit si le paramètre est inférieur ou égal à une valeur spécifique.

Vous recevrez cette erreur dans Azure Machine Learning si le paramètre du message est inférieur à une valeur de limite requise pour que le composant traite les données.

Résolution : Réexaminez le composant qui lève l’exception et modifiez le paramètre pour qu’il soit d’une valeur supérieure à la valeur spécifiée.

Messages d’exception
Le paramètre doit être supérieur à la valeur limite.
La valeur du paramètre « {arg_name} » doit être supérieure à {lower_boundary}.
Le paramètre « {arg_name} » a la valeur « {actual_value} » qui doit être supérieure à {lower_boundary}.

Erreur 0005

Une exception se produit si le paramètre est inférieur à une valeur spécifique.

Vous recevrez cette erreur dans Azure Machine Learning si le paramètre du message est inférieur ou égal à une valeur de limite requise pour que le composant traite les données.

Résolution : Réexaminez le composant qui lève l’exception et modifiez le paramètre pour qu’il soit d’une valeur supérieure ou égale à la valeur spécifiée.

Messages d’exception
Le paramètre doit être supérieur ou égal à la valeur limite.
La valeur du paramètre « {arg_name} » doit être supérieure ou égale à {lower_boundary}.
Le paramètre « {arg_name} » a la valeur « {value} » qui doit être supérieure ou égale à {lower_boundary}.

Erreur 0006

Une exception se produit si le paramètre est supérieur ou égal à la valeur spécifique.

Vous recevrez cette erreur dans Azure Machine Learning si le paramètre du message est supérieur ou égal à une valeur de limite requise pour que le composant traite les données.

Résolution : Réexaminez le composant qui lève l’exception et modifiez le paramètre pour qu’il soit d’une valeur inférieure à la valeur spécifiée.

Messages d’exception
Paramètres différents. L’un des paramètres doit être inférieur à un autre.
La valeur du paramètre « {nom_argument} » doit être inférieure à la valeur du paramètre « {nom_paramètre_limite_supérieure} ».
Le paramètre « {arg_name} » a la valeur « {value} » qui doit être inférieure à {upper_boundary_parameter_name}.

Erreur 0007

Une exception se produit si le paramètre est supérieur à une valeur spécifique.

Vous recevrez cette erreur dans Azure Machine Learning si, dans les propriétés du composant, vous avez spécifié une valeur supérieure à celle autorisée. Par exemple, vous pouvez spécifier une donnée en dehors de la plage des dates prises en charge, ou vous pouvez indiquer que cinq colonnes doivent être utilisées lorsque seulement trois colonnes sont disponibles.

Vous pouvez également voir cette erreur si vous spécifiez deux jeux de données qui doivent correspondre d’une certaine manière. Par exemple, si vous renommez des colonnes et spécifiez les colonnes par index, le nombre de noms que vous fournissez doit correspondre au nombre d’index de colonne. Un autre exemple pourrait consister en une opération mathématique qui utilise deux colonnes qui doivent, l’une et l’autre, posséder le même nombre de lignes.

Résolution :

Ouvrez le composant en question et passez en revue les paramètres de propriété numérique.
Assurez-vous que les valeurs de paramètre se situent dans la plage de valeurs prise en charge pour cette propriété.
Si le composant accepte plusieurs entrées, assurez-vous qu’elles sont de même taille.

Vérifiez si le jeu de données ou la source de données a subi des modifications. Il peut arriver qu’une valeur qui fonctionnait avec une version précédente des données échoue après que le nombre de colonnes, les types de données des colonnes ou la taille des données ont été modifiés.

Messages d’exception
Paramètres différents. L’un des paramètres doit être inférieur ou égal à un autre.
La valeur du paramètre « {arg_name} » doit être inférieure ou égale à la valeur du paramètre « {upper_boundary_parameter_name} ».
Le paramètre « {arg_name} » a la valeur « {actual_value} » qui doit être inférieure ou égale à {upper_boundary}.
La valeur« {actual_value} » du paramètre « {arg_name} » doit être inférieure ou égale à la valeur {upper_boundary} du paramètre « {upper_boundary_parameter_name} ».
La valeur « {actual_value} » du paramètre « {arg_name} » doit être inférieure ou égale à la valeur {upper_boundary} du paramètre « {upper_boundary_meaning} ».

Erreur 0008

L’exception se produit si le paramètre n’est pas dans la plage.

Vous recevrez cette erreur dans Azure Machine Learning si le paramètre du message est en dehors des limites requises pour que le composant traite les données.

Par exemple, cette erreur s’affiche si vous essayez d’utiliser Ajouter des lignes pour combiner deux jeux de données qui ont un nombre différent de colonnes.

Résolution : Réexaminez le composant qui lève l’exception et modifiez le paramètre pour qu’il réside dans la plage spécifiée.

Messages d’exception
La valeur du paramètre n’est pas dans la plage spécifiée.
La valeur du paramètre « {nom_argument} » n’est pas comprise dans la plage.
La valeur du paramètre « {arg_name} » doit être comprise dans la plage [{lower_boundary}, {upper_boundary}].
La valeur du paramètre « {nom_argument} » n’est pas comprise dans la plage. {raison}

Erreur 0009

Une exception se produit lorsque le nom du compte de stockage Azure ou le nom du conteneur n’est pas spécifié correctement.

Cette erreur se produit dans le concepteur Azure Machine Learning lorsque vous spécifiez des paramètres pour un compte de stockage Azure, mais que le nom ou le mot de passe ne peut pas être résolu. Les erreurs sur les mots de passe ou les noms de compte peuvent se produire pour de nombreuses raisons :

Le type du compte est incorrect. Certains nouveaux types de comptes ne sont pas pris en charge pour une utilisation avec le concepteur Machine Learning. Pour plus de détails, consultez Importer des données.
Le nom de compte que vous avez entré est incorrect
Le compte n’existe plus
Le mot de passe du compte de stockage est erroné ou a changé.
Vous n’avez pas spécifié le nom du conteneur, ou le conteneur n’existe pas
Vous n’avez pas complètement spécifié le chemin d’accès du fichier (chemin d’accès au blob)

Résolution :

De tels problèmes surviennent souvent lorsque vous essayez d’entrer manuellement le nom du compte, le mot de passe ou le chemin d’accès du conteneur. Nous vous recommandons d’utiliser le nouvel assistant du composant Importer des données, qui vous aide à rechercher et vérifier les noms.

Vérifiez également si le compte, le conteneur ou le blob a été supprimé. Choisissez un autre utilitaire de stockage Azure pour vérifier que le nom de compte et le mot de passe ont été entrés correctement et que le conteneur existe.

Certains types de comptes plus récents ne sont pas pris en charge par Azure Machine Learning. Par exemple, les nouveaux types de stockage « chaud » ou « froid » ne peuvent pas être utilisés pour le Machine Learning. Les comptes de stockage classiques et les comptes de stockage créés pour « Usage général » fonctionnent correctement.

Si le chemin d’accès complet à un blob a été spécifié, vérifiez que le chemin d’accès est spécifié en tant que conteneur/nomblob et que le conteneur et le blob existent dans le compte.

Le chemin d’accès ne doit pas contenir de barre oblique de début. Par exemple /conteneur/blob est incorrect et doit être entré en tant que conteneur/blob.

Messages d’exception
Le nom du compte de stockage Azure ou le nom du conteneur est incorrect.
Le nom du compte de stockage Azure « {account_name} » ou le nom du conteneur « {container_name} » est incorrect ; un nom de conteneur était attendu au format conteneur/blob.

Erreur 0010

Une exception se produit si les jeux de données d’entrée possèdent des noms de colonnes qui ne correspondent pas alors qu’ils le devraient correspondre.

Vous recevrez cette erreur dans Azure Machine Learning si l’index de colonne du message comporte différents noms de colonnes dans les deux jeux de données d’entrée.

Résolution : Utilisez Modifier les métadonnées ou modifiez le jeu de données original pour avoir le même nom de colonne pour l’index de colonne spécifié.

Messages d’exception
Les colonnes avec l’index correspondant dans les jeux de données d’entrée possèdent des noms différents.
Les noms de colonne sont différents pour la colonne {col_index} (de base zéro) des jeux de données d’entrée ({dataset1} et {dataset2} respectivement).

Erreur 0011

L’exception se produit si l’argument de jeu de colonnes transmis ne s’applique à aucune des colonnes de jeu de données.

Vous recevrez cette erreur dans Azure Machine Learning si la sélection de colonnes spécifiée ne correspond à aucune des colonnes du jeu de données donné.

Vous pouvez également obtenir cette erreur si vous n’avez pas sélectionné de colonne et qu’au moins une colonne est nécessaire pour que le composant fonctionne.

Résolution : modifiez la sélection de colonne dans le composant afin qu’elle s’applique aux colonnes du jeu de données.

Si le composant exige que vous sélectionniez une colonne spécifique, telle qu’une colonne d’étiquette, vérifiez que la colonne de droite est sélectionnée.

Si des colonnes inappropriées sont sélectionnées, supprimez-les et réexécutez le pipeline.

Messages d’exception
Le jeu de colonnes spécifié ne s’applique à aucune des colonnes du jeu de données.
Le jeu de colonnes spécifié « {column_set} » ne s’applique à aucune des colonnes du jeu de données.

Erreur 0012

L’exception se produit si l’instance de classe n’a pas pu être créée avec un jeu d’arguments transmis.

Résolution : cette erreur n’est pas exploitable par l’utilisateur et sera déconseillée dans une prochaine version.

Messages d’exception
Modèle non entraîné, effectuez d’abord l’entraînement du modèle.
Modèle non entraîné ({nom_argument}), utilisez un modèle entraîné.

Erreur 0013

Une exception se produit si l’apprenant transmis au composant est de type non valide.

Cette erreur se produit lorsqu’un modèle formé est incompatible avec le composant de notation connecté.

Résolution :

Déterminez le type d’apprenant produit par le composant de formation et déterminez le composant de notation qui convient à l’apprenant.

Si le modèle a été formé à l’aide de l’un des composants de formation spécialisés, connectez le modèle formé uniquement au composant de notation spécialisé correspondant.

Type de modèle	Composant Formation	Composant Scoring
n’importe quel classifieur	Former le modèle	Noter le modèle
n’importe quel modèle de régression	Former le modèle	Noter le modèle

Messages d’exception
L’apprenant de type non valide est transmis avec succès.
Le type de l’apprenant « {nom_argument} » n’est pas valide.
L’apprenant « {nom_argument} » a un type non valide « {type_apprenant} ».
L’apprenant de type non valide est transmis avec succès. Message d’exception : {exception_message}

Erreur 0014

Une exception se produit si le nombre de valeurs uniques de colonne est supérieur au nombre autorisé.

Cette erreur se produit lorsqu’une colonne contient trop de valeurs uniques, telles qu’une colonne d’ID ou une colonne de texte. Cette erreur peut s’afficher si vous spécifiez qu’une colonne doit être gérée comme données catégorielles, mais qu’il existe trop de valeurs uniques dans la colonne pour permettre la fin du traitement. Vous pouvez également voir cette erreur s’il existe une incompatibilité entre le nombre de valeurs uniques dans deux entrées.

L’erreur du nombre de valeurs uniques supérieur au nombre autorisé se produit si les deux conditions suivantes sont réunies :

Plus de 97 % des instances d’une colonne sont des valeurs uniques, ce qui signifie que presque toutes les catégories sont différentes les unes des autres.
Une colonne a plus de 1 000 valeurs uniques.

Résolution :

Ouvrez le composant qui a généré l’erreur et identifiez les colonnes utilisées comme entrées. Pour certains composants, vous pouvez cliquer sur le jeu de données d’entrée et sélectionnez Visualiser pour obtenir des statistiques sur des colonnes individuelles, y compris le nombre de valeurs uniques et leur distribution.

Pour les colonnes que vous souhaitez utiliser pour le regroupement ou la catégorisation, prenez les mesures nécessaires pour réduire le nombre de valeurs uniques dans les colonnes. Vous pouvez réduire de différentes manières, selon le type de données de la colonne.

Pour les colonnes d’ID qui ne sont pas significatives lors de l’entraînement d’un modèle, vous pouvez utiliser Modifier les métadonnées pour marquer cette colonne comme fonctionnalité Clear et elle ne sera pas utilisée lors de l’entraînement d’un modèle.

Pour les colonnes de texte, vous pouvez utiliser le Hachage des caractéristiques ou le composant d’extraction des caractéristiques de N-grammes du texte pour prétraiter les colonnes de texte.

Conseil

Impossible de trouver une résolution correspondant à votre scénario ? Vous pouvez fournir des commentaires sur cette rubrique qui inclut le nom du composant qui a généré l’erreur, et le type de données et la cardinalité de la colonne. Nous allons utiliser les informations pour fournir des opérations plus ciblées pour les scénarios courants de résolution des problèmes.

Messages d’exception
Le nombre de valeurs uniques de colonne est supérieur au nombre autorisé.
Le nombre de valeurs uniques dans la colonne « {nom_colonne} » est supérieur à la valeur autorisée.
Le nombre de valeurs uniques dans la colonne « {nom_colonne} » dépasse le nombre de tuples {limite}.

Erreur 0015

Une exception se produit si la connexion de base de données a échoué.

Vous recevrez cette erreur si vous entrez un nom de compte SQL incorrect, un mot de passe, un serveur de base de données ou un nom de base de données, ou si une connexion avec la base de données ne peut pas être établie en raison de problèmes avec la base de données ou le serveur.

Résolution : Vérifiez que le nom du compte, le mot de passe, le serveur de base de données et la base de données ont été entrées correctement et que le compte spécifié dispose du niveau d’autorisations approprié. Vérifiez que la base de données est actuellement accessible.

Messages d’exception
Erreur lors de l’établissement d’une connexion à la base de données.
Erreur lors de l’établissement d’une connexion à la base de données : {connection_str}.

Erreur 0016

L’exception se produit si les jeux de données d’entrée passés au composant doivent avoir des types de colonnes compatibles, mais pas.

Vous recevrez cette erreur dans Azure Machine Learning si les types de colonnes passés dans deux jeux de données ou plus ne sont pas compatibles entre eux.

Résolution : Utilisez Modifier les métadonnées ou modifiez le jeu de données d’entrée d’origine pour vous assurer que les types des colonnes sont compatibles.

Messages d’exception
Les colonnes avec l’index correspondant dans les jeux de données d’entrée possèdent des types de données incompatibles.
Les colonnes « {noms_premières_colonnes} » ne sont pas compatibles entre les données d’entraînement et de test.
Les colonnes « {noms_premières_colonnes} » et « {noms_secondes_colonnes} » ne sont pas compatibles.
Les types d’éléments de colonne ne sont pas compatibles pour la colonne « {first_col_names} » (basée sur zéro) des jeux de données d’entrée ({first_dataset_names} et {second_dataset_names} respectivement).

Erreur 0017

Une exception se produit si une colonne sélectionnée utilise un type de données qui n’est pas pris en charge par le composant actuel.

Par exemple, vous pouvez recevoir cette erreur dans Azure Machine Learning si votre sélection de colonne inclut une colonne avec un type de données qui ne peut pas être traité par le composant, tel qu’une colonne de chaîne pour une opération mathématique ou une colonne de score où une colonne de caractéristique catégorielle est requise.

Résolution :

Identifiez la colonne qui pose problème.
Consultez les conditions requises pour le composant.
Modifiez la colonne pour qu’elle soit conforme à ces conditions. Vous devrez peut-être utiliser plusieurs des composants suivants pour apporter des modifications, en fonction de la colonne et de la conversion que vous tentez :
- Utilisez Modifier les métadonnées pour modifier le type de données des colonnes ou pour modifier l’utilisation des colonnes de fonctionnalité en fonction numérique, catégorielle en non catégorielle, etc.

En dernier recours, vous devrez peut-être modifier le jeu de données d’entrée original.

Conseil

Messages d’exception
Impossible de traiter la colonne avec le type actuel. Le type n’est pas pris en charge par le composant.
Impossible de traiter la colonne de type {type_colonne}. Le type n’est pas pris en charge par le composant.
Impossible de traiter la colonne « {nom_colonne} » de type {type_colonne}. Le type n’est pas pris en charge par le composant.
Impossible de traiter la colonne « {nom_colonne} » de type {type_colonne}. Le type n’est pas pris en charge par le composant. Nom du paramètre : {nom_argument}.

Erreur 0018

Une exception se produit si le jeu de données d’entrée n’est pas valide.

Résolution : cette erreur dans Azure Machine Learning peut apparaître dans de nombreux contextes. Il n’existe donc pas de résolution unique. En général, l’erreur indique que les données fournies en tant qu’entrée à un composant ont le mauvais nombre de colonnes ou que le type de données ne correspond pas aux exigences du composant. Par exemple :

Le composant nécessite une colonne d’étiquette, mais aucune colonne n’est marquée comme étiquette, ou vous n’avez pas encore sélectionné de colonne d’étiquette.
Ce composant exige que les données soient catégorielles, or vos données sont numériques.

Le format des données est incorrect.
Les données importées contiennent des caractères non valides, des valeurs incorrectes ou des valeurs hors limites.
La colonne est vide ou contient trop de cellules vides.

Pour déterminer les exigences et la façon dont vos données peuvent être mises en place, passez en revue l’article d’aide du composant qui consommera le jeu de données comme entrée.

Messages d’exception
Le jeu de données n’est pas valide.
{jeu_de_données1} contient des données non valides.
{jeu_de_données1} et {jeu_de_données2} doivent être cohérents du point de vue des colonnes.
{jeu_de_données1} contient des données non valides, {raison}.
{jeu_de_données1} contient {catégorie_de_données_non_valide}. {conseil_dépannage}
{jeu_données1} n’est pas valide, {raison}. {conseil_dépannage}

Erreur 0019

L’exception se produit si la colonne est censée contenir des valeurs triées, mais pas.

Vous recevrez cette erreur dans Azure Machine Learning si les valeurs de colonne spécifiées ne sont pas dans l’ordre.

Résolution : Triez les valeurs des colonnes en modifiant manuellement le jeu de données d’entrée et réexécutez le composant.

Messages d’exception
Les valeurs de la colonne ne sont pas triées.
Les valeurs de la colonne « {col_index} » ne sont pas triées.
Les valeurs de la colonne « {col_index} » du jeu de données « {dataset} » ne sont pas triées.
Les valeurs de l’argument « {arg_name} » ne sont pas triées dans l’ordre « {sorting_order} ».

Erreur 0020

Une exception se produit si le nombre de colonnes de certains jeux de données transmis au composant est trop faible.

Vous recevrez cette erreur dans Azure Machine Learning si vous n’avez pas suffisamment de colonnes sélectionnées pour un composant.

Résolution : Réexaminez le composant et assurez-vous que le sélecteur de colonne possède un nombre correct de colonnes sélectionnées.

Messages d’exception
Le nombre de colonnes du jeu de données d’entrée est inférieur au minimum autorisé.
Le nombre de colonnes du jeu de données d’entrée « {arg_name} » est inférieur au minimum autorisé.
Le nombre de colonnes du jeu de données d’entrée est inférieur au minimum autorisé de {nombre_de_colonnes_requises} colonne(s).
Le nombre de colonnes du jeu de données d’entrée « {nom_argument} » est inférieur au minimum autorisé de {nombre_de_colonnes_requises} colonne(s).

Erreur 0021

Une exception se produit si le nombre de lignes de certains jeux de données transmis au composant est trop faible.

Cette erreur s’affiche dans Azure Machine Learning lorsqu’il n’y a pas suffisamment de lignes dans le jeu de données pour effectuer l’opération spécifiée. Par exemple, vous pouvez voir cette erreur si le jeu de données d’entrée est vide ou si vous essayez d’effectuer une opération qui nécessite un certain nombre minimal de lignes pour être valides. Ces opérations peuvent inclure (mais ne sont pas limitées à) le regroupement ou la classification basés sur des méthodes statistiques, certains types de binning et l’apprentissage avec des nombres.

Résolution :

Ouvrez le composant qui a renvoyé l’erreur et vérifiez le jeu de données d’entrée et les propriétés du composant.
Vérifiez que le jeu de données d’entrée n’est pas vide et qu’il existe suffisamment de lignes de données pour répondre aux exigences décrites dans l’aide du composant.
Si vos données sont chargées à partir d’une source externe, assurez-vous que la source de données est disponible et qu’aucune erreur ou modification n’est apportée à la définition de données qui entraînerait l’obtention de moins de lignes par le processus d’importation.
Si vous effectuez une opération sur les données en amont du composant qui peut affecter le type de données ou le nombre de valeurs, telles que le nettoyage, le fractionnement ou les opérations de jointure, vérifiez les sorties de ces opérations pour déterminer le nombre de lignes retournées.

Messages d’exception
Le nombre de lignes du jeu de données d’entrée est inférieur au minimum autorisé.
Le nombre de lignes dans le jeu de données d’entrée est inférieur au minimum autorisé de {nombre_de_lignes_requises} ligne(s).
Le nombre de lignes dans le jeu de données d’entrée est inférieur au minimum autorisé de {nombre_de_lignes_requises} ligne(s). {raison}
Le nombre de lignes dans le jeu de données d’entrée « {nom_argument} » est inférieur au minimum autorisé de {nombre_de_lignes_requises} ligne(s).
Le nombre de lignes dans le jeu de données d’entrée « {nom_argument} » est {nombre_de_lignes}, ce qui est inférieur au minimum autorisé de {nombre_de_lignes_requises} ligne(s).
Le nombre de lignes « {type_de_ligne} » dans le jeu de données d’entrée « {nom_argument} » est {nombre_de_lignes}, ce qui est inférieur au minimum autorisé de {nombre_de_lignes_requises} ligne(s).

Erreur 0022

L’exception se produit si le nombre de colonnes sélectionnées dans le jeu de données d’entrée n’est pas égal au nombre attendu.

Cette erreur d’Azure Machine Learning peut se produire lorsque le composant ou l’opération en aval nécessite un nombre spécifique de colonnes ou d’entrées et que vous avez fourni trop ou pas assez de colonnes ou d’entrées. Par exemple :

Vous spécifiez une seule colonne d’étiquette ou une seule colonne clé et plusieurs colonnes sélectionnées par inadvertance.
Vous renommez des colonnes, mais vous avez fourni plus ou moins de noms qu’il y a des colonnes.
Le nombre de colonnes dans la source ou la destination a changé ou ne correspond pas au nombre de colonnes utilisé par le composant.
Vous avez fourni une liste de valeurs séparées par des virgules pour les entrées, mais le nombre de valeurs ne correspond pas, ou plusieurs entrées ne sont pas prises en charge.

Résolution : Réexaminez le composant et assurez-vous que la sélection de colonnes possède un nombre correct de colonnes sélectionnées. Vérifiez les sorties des composants en amont et les exigences des opérations en aval.

Si vous avez utilisé l’une des options de sélection de colonnes permettant de sélectionner plusieurs colonnes (index de colonne, toutes les fonctions, toutes les fonctions, toutes les fonctions numériques, etc.), validez le nombre exact de colonnes renvoyées par la sélection.

Vérifiez que le nombre ou le type de colonnes en amont n’a pas changé.

Si vous utilisez un jeu de données de recommandation pour entraîner un modèle, n’oubliez pas que l’outil de recommandation s’attend à un nombre limité de colonnes, correspondant aux paires d’éléments utilisateur ou aux classements utilisateur-élément. Supprimez les colonnes supplémentaires avant de former le modèle ou de fractionner les jeux de données de recommandation. Pour plus d’informations, voir Fractionner les données.

Messages d’exception
Le nombre de colonnes sélectionnées dans le jeu de données en entrée n’est pas égal au nombre attendu.
Le nombre de colonnes sélectionnées dans le jeu de données d’entrée n’est pas égal à {expected_col_count}.
Le modèle de sélection de colonnes « {selection_pattern_friendly_name} » fournit un nombre de colonnes sélectionnées dans le jeu de données d’entrée différent de {expected_col_count}.
Le modèle de sélection de colonnes « {selection_pattern_friendly_name} » est supposé fournir {expected_col_count} colonnes sélectionnées dans le jeu de données d’entrée, mais {selected_col_count} colonnes est en réalité fourni.

Erreur 0023

L’exception se produit si la colonne cible du jeu de données d’entrée n’est pas valide pour le composant formateur actuel.

Cette erreur dans Azure Machine Learning se produit si la colonne cible (telle que sélectionnée dans les paramètres du composant) n’est pas du type de données valide, contenait toutes les valeurs manquantes ou n’était pas catégorielle comme prévu.

Résolution : Réexaminez l’entrée du composant pour inspecter le contenu de la colonne d’étiquette/cible. Vérifiez qu’il n’a pas toutes les valeurs manquantes. Si le composant exige que la colonne cible soit catégorielle, assurez-vous qu’elle contient plusieurs valeurs distinctes.

Messages d’exception
Le jeu de données d’entrée comporte une colonne cible non prise en charge.
Le jeu de données d’entrée comporte la colonne cible « {column_index} » qui n’est pas prise en charge.
Le jeu de données d’entrée comporte la colonne cible « {column_index} » qui n’est pas prise en charge pour l’apprenant de type {learner_type}.

Erreur 0024

Une exception se produit si le jeu de données ne contient pas de colonne d’étiquette.

Cette erreur dans Azure Machine Learning se produit lorsque le composant nécessite une colonne d’étiquette et que le jeu de données n’a pas de colonne d’étiquette. Par exemple, l’évaluation d’un jeu de données notées exige habituellement la présence d’une colonne d’étiquette pour calculer les métriques d’exactitude.

Il peut aussi arriver qu’une colonne d’étiquette soit présente dans le jeu de données, mais pas détectée correctement par Azure Machine Learning.

Résolution :

Ouvrez le composant qui a généré l’erreur et déterminez si une colonne d’étiquette est présente. Le nom ou le type de données de la colonne n’a pas d’importance, tant que la colonne contient un résultat unique (ou variable dépendante) que vous essayez de prédire. Si vous ne savez pas quelle colonne a l’étiquette, recherchez un nom générique tel que La classe ou la cible.
Si le jeu de données n’inclut pas de colonne d’étiquette, il est possible que la colonne d’étiquette ait été supprimée explicitement ou accidentellement en amont. Il peut également s’agir du fait que le jeu de données n’est pas la sortie d’un composant de scoring en amont.
Pour marquer explicitement la colonne en tant que colonne d’étiquette, ajoutez le composant Modifier les métadonnées et connectez le jeu de données. Sélectionnez uniquement la colonne d’étiquette et sélectionnez Étiquette dans la liste déroulante Champs.
Si la colonne inadéquate est choisie comme étiquette, vous pouvez sélectionner Effacer l’étiquette dans Champs pour corriger les métadonnées sur la colonne.

Messages d’exception
Le jeu de données ne contient pas de colonne d’étiquette.
« {nom_jeu_de_données} » ne contient pas de colonne d’étiquette.

Erreur 0025

L’exception se produit si le jeu de données ne contient pas de colonne de score.

Cette erreur dans Azure Machine Learning se produit si l’entrée du modèle évalué ne contient pas de colonnes de score valides. Par exemple, l’utilisateur tente d’évaluer un jeu de données avant qu’il ne soit évalué à l’aide d’un modèle correctement formé ou que la colonne de score ne soit explicitement supprimée en amont. Cette exception s’applique également si les colonnes de score des deux jeux de données sont incompatibles. Par exemple, vous pouvez essayer de comparer la précision d’un régresseur linéaire à celle d’un classifieur binaire.

Résolution : revisitez l’entrée du modèle évalué et examinez si elle contient une ou plusieurs colonnes de score. Si ce n’est pas le cas, le jeu de données n’a pas été noté ou les colonnes de score ont été supprimées dans un composant en amont.

Messages d’exception
Il n’y a pas de colonne de score dans le jeu de données.
Il n’y a pas de colonne de score dans « {dataset_name} ».
Il n’y a pas de colonne de score dans « {dataset_name} » produite par un « {learner_type} ». Notez le jeu de données en utilisant le bon type d’apprenant.

Erreur 0026

L’exception se produit si les colonnes portant le même nom ne sont pas autorisées.

Cette erreur se produit dans Azure Machine Learning si plusieurs colonnes portent le même nom. Une façon de recevoir cette erreur est que si le jeu de données n’a pas de ligne d’en-tête et les noms de colonnes sont automatiquement attribués : Col0, Col1, etc.

Résolution : Si les colonnes portent le même nom, insérez un composant Modifier les métadonnées entre le jeu de données d’entrée et le composant. Utilisez le sélecteur de colonnes dans Modifier les métadonnées pour sélectionner les colonnes à renommer, et tapez les nouveaux noms de colonnes dans la zone de texte Nouveaux noms de colonnes.

Messages d’exception
Les noms de colonnes Equal (Égal à) sont spécifiés dans les arguments. Les noms de colonnes Equal (Égal à) ne sont pas autorisés par le composant.
Les noms de colonne identiques dans les arguments « {arg_name_1} » et « {arg_name_2} » ne sont pas autorisés. Spécifiez des noms différents.

Erreur 0027

L’exception se produit dans le cas où deux objets doivent être de la même taille, mais ne le sont pas.

Cette erreur fréquente dans Azure Machine Learning peut être causée par de nombreuses conditions.

Résolution : il n’y a pas de résolution spécifique. Toutefois, vous pouvez vérifier les conditions telles que les suivantes :

Si vous renommez des colonnes, assurez-vous que chaque liste (les colonnes d’entrée et la liste des nouveaux noms) a le même nombre d’éléments.
Si vous joignez ou concatènez deux jeux de données, vérifiez qu’ils ont le même schéma.
Si vous joignez deux jeux de données qui ont plusieurs colonnes, vérifiez que les colonnes clés ont le même type de données, puis sélectionnez l’option Autoriser les doublons et conserver l’ordre des colonnes dans la sélection.

Messages d’exception
La taille des objets transmis est incohérente.
La taille de « {friendly_name1} » n’est pas cohérente avec la taille de « {friendly_name2} ».

Erreur 0028

L’exception se produit dans le cas où le jeu de colonnes contient des noms de colonnes en double et qu’il n’est pas autorisé.

Cette erreur se produit dans Azure Machine Learning lorsque plusieurs noms de colonnes portent le même nom.

Résolution : Si des colonnes portent le même nom, ajoutez une instance de Modifier les métadonnées entre le jeu de données d’entrée et le composant qui provoque l’erreur. Utilisez le Sélecteur de colonnes dans Modifier les métadonnées pour sélectionner les colonnes à renommer, et tapez les nouveaux noms de colonnes dans la zone de texte Nouveaux noms de colonnes. Si vous renommez plusieurs colonnes, vérifiez que les valeurs que vous tapez dans les nouveaux noms de colonnes sont uniques.

Messages d’exception
Le jeu de colonnes contient des noms de colonne en double.
Le nom « {nom_dupliqué} » est dupliqué.
Le nom « {nom_dupliqué} » est dupliqué dans « {nom_argument} ».
Le nom « {nom_dupliqué} » est dupliqué. Détails : {détails}

Erreur 0029

Une exception se produit dans le cas où une URI non valide est transmise.

Cette erreur se produit dans Azure Machine Learning dans le cas où un URI non valide est transmis. Vous recevrez cette erreur si l’une des conditions suivantes est remplie :

Une erreur est identifiée dans l’URI public ou SAS fourni pour la lecture ou l’écriture de données dans Stockage Blob Azure.
La fenêtre de temps a expiré pour la SAP.
L’URL web via la source HTTP représente un fichier ou un URI de bouclage.
Le format de l’URL web via HTTP est incorrect.
L’URL ne peut pas être résolue par la source distante.

Résolution : Revisitez le composant et vérifiez le format de l’URI. Si la source de données est une URL web via HTTP, vérifiez que la source prévue n’est pas un fichier ou un URI de bouclage (localhost).

Messages d’exception
Un URI non valide est transmis.
L’URI « {invalid_url} » n’est pas valide.

Erreur 0030

Une exception se produit dans le cas où il n’est pas possible de télécharger un fichier.

Cette exception dans Azure Machine Learning se produit lorsqu’il n’est pas possible de télécharger un fichier. Vous recevrez cette exception lorsqu’une tentative de lecture à partir d’une source HTTP a échoué après trois (3) nouvelles tentatives.

Résolution : Vérifiez que l’URI de la source HTTP est correct et que le site est actuellement accessible via Internet.

Messages d’exception
Impossible de télécharger un fichier.
Erreur lors du téléchargement du fichier : {file_url}.

Erreur 0031

Une exception se produit si le nombre de colonnes du jeu de colonnes est inférieur au nombre requis.

Cette erreur se produit dans Azure Machine Learning si le nombre de colonnes sélectionnées est inférieur au nombre requis. Vous recevrez cette erreur si le nombre minimal requis de colonnes n’est pas sélectionné.

Résolution : Ajoutez des colonnes supplémentaires à la sélection de colonnes en utilisant le Sélecteur de colonnes.

Messages d’exception
Le nombre de colonnes du jeu de colonnes est inférieur au nombre requis.
Au moins {required_columns_count} colonnes doivent être spécifiées pour l’argument d’entrée « {arg_name} ».
Au moins {required_columns_count} colonnes doivent être spécifiées pour l’argument d’entrée « {arg_name} ». Le nombre réel de colonnes spécifiées est {input_columns_count}.

Erreur 0032

Une exception se produit si l’argument n’est pas un nombre.

Vous recevrez cette erreur dans Azure Machine Learning si l’argument est double ou NaN.

Résolution : Modifiez l’argument spécifié pour utiliser une valeur valide.

Messages d’exception
L’argument n’est pas numérique.
« {arg_name} » n’est pas un nombre.

Erreur 0033

Une exception se produit si l’argument est une valeur infinie (Infinity).

Cette erreur se produit dans Azure Machine Learning si l’argument est infini. Vous recevrez cette erreur si l’argument est ou double.NegativeInfinitydouble.PositiveInfinity.

Résolution : Corrigez la valeur de l’argument spécifié.

Messages d’exception
L’argument doit être fini.
« {arg_name} » n’est pas fini.
La colonne « {column_name} » contient des valeurs infinies.

Erreur 0034

Une exception se produit s’il existe plusieurs classements pour une paire utilisateur-élément donnée.

Cette erreur se produit dans Azure Machine Learning au niveau de la recommandation si une paire utilisateur-élément possède plusieurs valeurs de classement.

Résolution : Assurez-vous que la paire utilisateur-élément possède une seule valeur de classement.

Messages d’exception
Il existe plusieurs classements pour la ou les valeurs du jeu de données.
Il existe plusieurs classements pour l’utilisateur {utilisateur} et l’élément {élément} dans le tableau des données de prévision des classements.
Il existe plusieurs classements pour l’utilisateur {utilisateur} et l’élément {élément} dans {jeu_de_données}.

Erreur 0035

Une exception se produit si aucune fonctionnalité n’est fournie pour un utilisateur ou un élément donné.

Cette erreur dans Azure Machine Learning se produit que vous essayez d’utiliser un modèle de recommandation pour le scoring, mais un vecteur de fonctionnalité est introuvable.

Résolution :

Selon la recommandation matchbox, certaines exigences doivent être satisfaites lors de l’utilisation de fonctionnalités d’élément ou de fonctionnalités d’utilisateur. Cette erreur indique qu’il manque un vecteur de fonctionnalité pour un utilisateur ou un élément que vous avez fourni en entrée. Vérifiez qu’un vecteur de fonctionnalité est disponible dans les données pour chaque utilisateur ou élément.

Par exemple, si vous avez formé un modèle de recommandation à l’aide de fonctionnalités telles que l’âge, l’emplacement ou le revenu de l’utilisateur, mais que vous souhaitez maintenant créer des scores pour les nouveaux utilisateurs qui n’ont pas été vus pendant la formation, vous devez fournir un ensemble équivalent de fonctionnalités (à savoir, l’âge, l’emplacement et les valeurs de revenu) pour les nouveaux utilisateurs afin d’effectuer des prédictions appropriées pour eux.

Si vous n’avez aucune fonctionnalité pour ces utilisateurs, envisagez d’utiliser l’ingénierie des fonctionnalités pour générer les fonctionnalités appropriées. Par exemple, si vous n’avez pas d’âge d’utilisateur individuel ou de valeurs de revenu, vous pouvez générer des valeurs approximatives à utiliser pour un groupe d’utilisateurs.

Conseil

La résolution ne s’applique pas à votre cas ? Vous êtes invité à envoyer vos commentaires sur cet élément et à fournir des informations sur le scénario, notamment le composant et le nombre de lignes dans la colonne. À l’avenir, nous utiliserons ces informations pour fournir des opérations plus ciblées de résolution des problèmes.

Messages d’exception
Aucune fonctionnalité n’a été fournie pour un utilisateur ou un élément requis.
Les fonctionnalités pour {required_feature_name} ne sont pas fournies alors qu’elles sont requises.

Erreur 0036

Une exception se produit si plusieurs vecteurs de fonctionnalité ont été fournis pour un utilisateur ou un élément donné.

Cette erreur se produit dans Azure Machine Learning si un vecteur de fonctionnalité est défini plusieurs fois.

Résolution : vérifiez que le vecteur de fonctionnalité n’est pas défini plusieurs fois.

Messages d’exception
Définition de fonctionnalité en double pour un utilisateur ou un élément.

Erreur 0037

Une exception se produit si plusieurs colonnes d’étiquette sont spécifiées alors qu’une seule colonne d’étiquette est autorisée.

Cette erreur se produit dans Azure Machine Learning si vous avez sélectionné plusieurs colonnes en tant que nouvelle colonne d’étiquette. La plupart des algorithmes d’apprentissage supervisés exigent qu’une seule colonne soit marquée comme cible ou étiquette.

Résolution : Assurez-vous de sélectionner une seule colonne comme nouvelle colonne d’étiquette.

Messages d’exception
Plusieurs colonnes d’étiquette sont spécifiées.
Plusieurs colonnes d’étiquettes sont spécifiées dans « {nom_jeu_de_données} ».

Erreur 0039

Une exception se produit si une opération a échoué.

Cette erreur dans Azure Machine Learning se produit lorsqu’une opération interne ne peut pas être terminée.

Résolution : cette erreur est due à de nombreuses conditions et il n’existe aucun remède spécifique.
Le tableau suivant contient des messages génériques pour cette erreur, qui sont suivis d’une description spécifique de la condition.

Si aucun détail n’est disponible, référez-vous à la Page de questions Microsoft Q&A pour envoyer des commentaires dans lesquels vous fournirez des informations sur les composants qui ont généré l’erreur et sur les conditions associées.

Messages d’exception
Échec de l’opération.
Erreur lors de l’exécution de l’opération : « {opération_ayant_écoué} ».
Erreur lors de l’exécution de l’opération : « {opération_ayant_écoué} ». Raison : « {raison} ».

Erreur 0042

Une exception se produit lorsqu’il n’est pas possible de convertir une colonne en un autre type.

Cette erreur dans Azure Machine Learning se produit lorsqu’il n’est pas possible de convertir une colonne en type spécifié. Vous recevrez cette erreur si un composant nécessite un type de données particulier, tel que datetime, texte, nombre à virgule flottante ou entier, mais qu’il n’est pas possible de convertir une colonne existante en type requis.

Par exemple, vous pouvez sélectionner une colonne et essayer de la convertir en un type de données numérique pour une opération mathématique, et obtenir cette erreur si la colonne contient des données non valides.

Cette erreur peut également se produire si vous essayez d’utiliser une colonne contenant des nombres à virgule flottante ou plusieurs valeurs uniques comme colonne catégorielle.

Résolution :

Ouvrez la page d’aide du composant qui a généré l’erreur et vérifiez le type de données requis.
Examinez les types de données des colonnes du jeu de données d’entrée.
Inspectez les données provenant de sources de données dites sans schéma.
Vérifiez le jeu de données pour détecter les valeurs manquantes ou les caractères spéciaux qui pourraient bloquer la conversion vers le type de données souhaité.
- Les types de données numériques doivent être cohérents : par exemple, vérifiez la présence de nombres à virgule flottante dans une colonne d’entiers.
- Recherchez les chaînes de texte ou les valeurs NA dans une colonne numérique.
- Les valeurs booléennes peuvent être converties en une représentation appropriée en fonction du type de données requis.
- Examiner les colonnes de texte pour les caractères non-unicodes, les caractères de tabulation ou les caractères de contrôle
- Les données DateHeure doivent être cohérentes pour éviter les erreurs de modélisation, mais le nettoyage peut être complexe en raison des formats nombreux. Envisagez d’utiliser des composants Exécuter un script Python pour effectuer un nettoyage.
Si nécessaire, modifiez les valeurs du jeu de données d’entrée pour que la colonne puisse être convertie avec succès. La modification peut comprendre des opérations de regroupement, de troncation ou d’arrondi, l’élimination des valeurs aberrantes ou l’imputation des valeurs manquantes. Consultez les articles suivants pour quelques scénarios courants de transformation de données en apprentissage automatique :
- Nettoyer les données manquantes
- Normaliser les données

Conseil

La résolution n’est pas claire ou ne s’applique pas à votre cas ? Vous êtes invités à envoyer vos commentaires sur cet élément et à fournir des informations sur le scénario, notamment le composant et le type de données de la colonne. À l’avenir, nous utiliserons ces informations pour fournir des opérations plus ciblées de résolution des problèmes.

Messages d’exception
La conversion n’est pas autorisée.
Impossible de convertir la colonne de type {type1} en colonne de type {type2}.
Impossible de convertir la colonne « {col_name1} » de type {type1} en colonne de type {type2}.
Impossible de convertir la colonne « {col_name1} » de type {type1} en colonne « {col_name2} » de type {type2}.

Erreur 0044

Une exception se produit lorsqu’il n’est pas possible de dériver le type d’élément de colonne des valeurs existantes.

Cette erreur dans Azure Machine Learning se produit lorsqu’il n’est pas possible de déduire le type d’une colonne ou d’une colonne dans un jeu de données. Cela se produit généralement lors de la concaténation de deux ou plusieurs jeux de données avec différents types d’éléments. Si Azure Machine Learning ne parvient pas à déterminer un type commun capable de représenter toutes les valeurs d’une colonne ou d’une colonne sans perte d’informations, il génère cette erreur.

Résolution : Assurez-vous que toutes les valeurs d’une colonne spécifique dans les deux jeux de données combinés sont du même type (numérique, booléen, catégoriel, chaîne, date, etc.) ou peuvent être forcés sur le même type.

Messages d’exception
Impossible de dériver le type d’élément de la colonne.
Impossible de dériver le type d’élément pour la colonne « {column_name} » : tous les éléments sont des références Null.
Impossible de dériver le type d’élément pour la colonne « {column_name} » du jeu de données « {dataset_name} » : tous les éléments sont des références Null.

Erreur 0045

Une exception se produit lorsqu’il n’est pas possible de créer une colonne en raison de types d’éléments mixtes dans la source.

Cette erreur se produit dans Azure Machine Learning lorsque les types d’éléments de deux jeux de données combinés sont différents.

Résolution : Assurez-vous que toutes les valeurs d’une colonne spécifique dans les deux jeux de données combinés sont du même type (numérique, booléen, catégoriel, chaîne, date, etc.).

Messages d’exception
Impossible de créer la colonne avec des types d’éléments mixtes.
Impossible de créer la colonne avec l’ID « {column_id} » des types d’éléments mixtes : Le type de données [{row_1}, {column_id}] est « {type_1} ». Le type de données [{ligne_2}, {ID_colonne}] est « {type_2} ».
Impossible de créer la colonne avec l’ID « {column_id} » des types d’éléments mixtes : Le type dans le bloc {chunk_id_1} est « {type_1} ». Le type dans le bloc {ID_bloc_2} est « {type_2} » avec la taille de bloc : {taille_bloc}.

Erreur 0046

Une exception se produit lorsqu’il n’est pas possible de créer un répertoire sur le chemin d’accès spécifié.

Cette erreur dans Azure Machine Learning se produit lorsqu’il n’est pas possible de créer un répertoire sur le chemin spécifié. Vous recevrez cette erreur si une partie du chemin d’accès au répertoire de sortie d’une requête Hive est incorrecte ou inaccessible.

Résolution : revisitez le composant et vérifiez que le chemin d’accès au répertoire est correctement mis en forme et qu’il est accessible avec les informations d’identification actuelles.

Messages d’exception
Spécifiez un répertoire de sortie valide.
Répertoire : impossible de créer {path}. Spécifiez un chemin valide.

Erreur 0047

Une exception se produit si le nombre de colonnes de fonctionnalités de certains jeux de données transmis au composant est trop faible.

Cette erreur dans Azure Machine Learning se produit si le jeu de données d’entrée à l’entraînement ne contient pas le nombre minimal de colonnes requises par l’algorithme. En règle générale, soit le jeu de données est vide, soit il ne contient que des colonnes de formation.

Résolution : Réexaminez le jeu de données d’entrée pour vérifier qu’il contient une ou plusieurs colonnes en plus de la colonne d’étiquette.

Messages d’exception
Le nombre de colonnes de fonctionnalité du jeu de données d’entrée est inférieur au minimum autorisé.
Le nombre de colonnes de caractéristiques dans le jeu de données d’entrée est inférieur au minimum autorisé de {nombre_de_colonnes_requises} colonne(s).
Le nombre de colonnes de caractéristiques dans le jeu de données d’entrée « {nom_argument} » est inférieur au minimum autorisé de {nombre_de_colonnes_requises} colonne(s).

Erreur 0048

Une exception se produit dans le cas où il n’est pas possible d’ouvrir un fichier.

Cette erreur dans Azure Machine Learning se produit lorsqu’il n’est pas possible d’ouvrir un fichier pour lecture ou écriture. Vous pourriez recevoir cette erreur pour les raisons suivantes :

Le conteneur ou le fichier (blob) n’existe pas
Le niveau d’accès du fichier ou du conteneur ne vous permet pas d’accéder au fichier
Le fichier est trop volumineux pour être lu ou bien le format est incorrect

Résolution : revisitez le composant et le fichier que vous essayez de lire.

Vérifiez que les noms du conteneur et du fichier sont corrects.

Utilisez le Portail Azure classique ou un outil de stockage Azure pour vérifier que vous avez l’autorisation d’accéder au fichier.

Messages d’exception
Impossible d’ouvrir un fichier.
Erreur lors de l’ouverture du fichier : {file_name}.
Erreur lors de l’ouverture du fichier : {file_name}. Message d’exception de stockage : {exception}.

Erreur 0049

Une exception se produit dans le cas où il n’est pas possible d’analyser un fichier.

Cette erreur dans Azure Machine Learning se produit lorsqu’il n’est pas possible d’analyser un fichier. Vous recevrez cette erreur si le format de fichier sélectionné dans le composant Importer des données ne correspond pas au format réel du fichier, ou si le fichier contient un caractère non reconnaissable.

Résolution : revisitez le composant et corrigez la sélection du format de fichier si elle ne correspond pas au format du fichier. Si possible, inspectez le fichier pour confirmer qu’il ne contient aucun caractère illégal.

Messages d’exception
Impossible d’analyser un fichier.
Erreur lors de l’analyse du fichier {format_fichier} .
Erreur lors de l’analyse du fichier {format_fichier} : {nom_fichier}.
Erreur lors de l’analyse du fichier {format_fichier} . Raison : {raison_échec}.
Erreur lors de l’analyse du fichier {format_fichier} : {nom_fichier}. Raison : {raison_échec}.

Erreur 0052

Une exception se produit si la clé de compte de stockage Azure n’est pas spécifiée correctement.

Cette erreur se produit dans Azure Machine Learning si la clé utilisée pour accéder au compte de stockage Azure est incorrecte. Par exemple, vous pouvez voir cette erreur si la clé de stockage Azure a été tronquée lors de l’opération de copier-coller ou si la clé incorrecte a été utilisée.

Pour plus d’informations sur la façon d’obtenir la clé d’un compte de stockage Azure, consultez la section consacrée à l’affichage, la copie et la régénération des clés d’accès au stockage.

Résolution : Réexaminez le composant et vérifiez que la clé de stockage Azure est correcte pour le compte ; copiez à nouveau la clé du Portail Azure classique si nécessaire.

Messages d’exception
La clé de compte de stockage Azure est incorrecte.

Erreur 0053

Une exception se produit dans le cas où il n’y a pas de fonctionnalités utilisateur ou d’éléments pour les recommandations matchbox.

Cette erreur dans Azure Machine Learning est générée lorsqu’un vecteur de fonctionnalité est introuvable.

Résolution : Assurez-vous qu’un vecteur de fonctionnalité est présent dans le jeu de données d’entrée.

Messages d’exception
Les fonctionnalités et/ou éléments utilisateur sont requis mais ne sont pas fournis.

Erreur 0056

Une exception se produit si les colonnes que vous avez sélectionnées pour une opération ne respectent pas les exigences.

Cette erreur dans Azure Machine Learning se produit lorsque vous choisissez des colonnes pour une opération qui nécessite que la colonne soit d’un type de données particulier.

Cette erreur peut également se produire si la colonne est le type de données correct, mais le composant que vous utilisez nécessite que la colonne soit également marquée comme caractéristique, étiquette ou colonne catégorielle.

Résolution :

Passez en revue le type de données des colonnes actuellement sélectionnées.
Déterminez si les colonnes sélectionnées sont des colonnes catégorielles, d’étiquette ou de fonctionnalités.
Examinez la rubrique d’aide du composant dans lequel vous avez effectué la sélection de colonnes afin de déterminer s’il existe des exigences spécifiques pour le type de données ou l’utilisation des colonnes.
Utilisez Modifier les métadonnées pour modifier le type de colonne pour la durée de cette opération. Assurez-vous rétablir la valeur d’origine du type de colonne, en utilisant une autre instance de Modifier les métadonnées, si vous en avez besoin pour les opérations en aval.

Messages d’exception
Une ou plusieurs colonnes sélectionnées n’appartenaient pas à une catégorie autorisée.
La colonne portant le nom « {nom_colonne} » n’appartient pas à une catégorie autorisée.

Erreur 0057

Une exception se produit lorsque vous tentez de créer un fichier ou un blob qui existe déjà.

Cette exception se produit lorsque vous utilisez le composant Exporter des données ou un autre composant pour enregistrer les résultats d’un pipeline dans Azure Machine Learning dans le stockage d’objets blob Azure, mais que vous tentez de créer un fichier ou un objet blob qui existe déjà.

Résolution :

Vous recevrez cette erreur uniquement si vous définissez précédemment le mode d’écriture du stockage Blob Azure sur Erreur. De par sa conception, ce composant génère une erreur si vous essayez d’écrire un jeu de données dans un blob qui existe déjà.

Ouvrez les propriétés du composant et définissez la propriété Azure blob storage write mode sur Overwrite (Remplacer).
Vous pouvez également taper le nom d’un objet blob ou d’un fichier de destination différent et être sûr de spécifier un objet blob qui n’existe pas déjà.

Messages d’exception
Le fichier ou le blob existe déjà.
Le fichier ou l’objet blob « {file_path} » existe déjà.

Erreur 0058

Cette erreur dans Azure Machine Learning se produit si le jeu de données ne contient pas la colonne d’étiquette attendue.

Cette exception peut également se produire lorsque la colonne d’étiquette fournie ne correspond pas aux données ou au type de données attendu par l’apprenant, ou a les valeurs incorrectes. Par exemple, cette exception est produite lors de l’utilisation d’une colonne d’étiquette à valeur réelle lors de la formation d’un classifieur binaire.

Résolution : la résolution dépend de l’apprenant ou du formateur que vous utilisez, ainsi que des types de données des colonnes de votre jeu de données. Tout d’abord, vérifiez les exigences de l’algorithme d’apprentissage automatique ou du composant de formation.

Examinez le jeu de données d’entrée. Vérifiez que la colonne que vous prévoyez d’être traitée comme l’étiquette a le type de données approprié pour le modèle que vous créez.

Vérifiez les entrées pour les valeurs manquantes et supprimez-les ou remplacez-les si nécessaire.

Si nécessaire, ajoutez le composant Modifier les métadonnées et assurez-vous que la colonne d’étiquette est marquée en tant qu’étiquette.

Messages d’exception
Les valeurs de colonnes d’étiquettes et les valeurs de colonnes d’étiquettes notées ne sont pas comparables.
La colonne d’étiquette n’est pas spécifiée comme prévu dans « {nom_jeu_de_données} ».
La colonne d’étiquette n’est pas spécifiée comme prévu dans « {nom_jeu_de_données} », {raison}.
La colonne d’étiquette « {nom_colonne} » n’est pas spécifiée comme prévu dans « {nom_jeu_de_données} ».
La colonne d’étiquette « {nom_colonne} » n’est pas spécifiée comme prévu dans « {nom_jeu_de_données} », {raison}.

Erreur 0059

Une exception se produit si un index de colonne spécifié dans un sélecteur de colonnes ne peut pas être analysé.

Cette erreur dans Azure Machine Learning se produit si un index de colonne spécifié lors de l’utilisation du sélecteur de colonnes ne peut pas être analysé. Vous recevrez cette erreur lorsque l’index de colonne est dans un format non valide qui ne peut pas être analysé.

Résolution : Modifiez l’index de colonne pour utiliser une valeur d’index valide.

Messages d’exception
Un ou plusieurs index de colonne ou plages d’index spécifiés n’ont pas pu être analysés.
L’index ou la plage de colonnes « {column_index_or_range} » n’a pas pu être analysé.

Erreur 0060

Une exception se produit lorsqu’une plage de colonnes hors limite est spécifiée dans un sélecteur de colonnes.

Cette erreur se produit dans Azure Machine Learning lorsqu’une plage de colonnes hors limites est spécifiée dans le sélecteur de colonnes. Vous recevrez cette erreur si la plage de colonnes du sélecteur de colonnes ne correspond pas aux colonnes du jeu de données.

Résolution : Modifiez la plage de colonnes figurant dans le sélecteur de colonnes de sorte qu’elle corresponde aux colonnes du jeu de données.

Messages d’exception
Plage d’index de colonnes non valide ou hors limites spécifiée.
La plage de colonnes « {column_range} » est non valide ou hors limites.

Erreur 0061

Une exception se produit lorsque vous tentez d’ajouter une ligne à un DataTable dont le nombre de colonnes est différent de celui de la table.

Cette erreur se produit dans Azure Machine Learning lorsque vous essayez d’ajouter une ligne à un jeu de données dont le nombre de colonnes est différent de celui du jeu de données. Vous recevrez cette erreur si la ligne ajoutée au jeu de données comporte un nombre différent de colonnes du jeu de données d’entrée. La ligne ne peut pas être ajoutée au jeu de données si le nombre de colonnes est différent.

Résolution : Modifiez le jeu de données d’entrée pour qu’il possède le même nombre de colonnes que la ligne ajoutée, ou modifiez la ligne ajoutée pour qu’elle possède le même nombre de colonnes que le jeu de données.

Messages d’exception
Toutes les tables doivent avoir le même nombre de colonnes.
Les colonnes du bloc « {ID_bloc_1} » sont différentes de celles du bloc « {ID_bloc_2} » avec la taille de bloc : {taille_bloc}.
Le nombre de colonnes dans le fichier « {nom_fichier_1} » (Count = {nombre_colonne_1}) est différent de celui du fichier « {nom_fichier_2} » (Count = {nombre_colonne_2}).

Erreur 0062

Une exception se produit lorsque l’on tente de comparer deux modèles avec des types d’apprenants différents.

Cette erreur dans Azure Machine Learning est générée lorsque les métriques d’évaluation pour deux jeux de données notés différents ne peuvent pas être comparées. Dans ce cas, il n’est pas possible de comparer l’efficacité des modèles utilisés pour produire les deux jeux de données notés.

Résolution : Vérifiez que les résultats notés sont produits par le même type de modèle d’apprentissage automatique (classification binaire, régression, classification multi-classe, recommandation, clustering, détection des anomalies, etc.) Tous les modèles que vous comparez doivent avoir le même type d’apprenant.

Messages d’exception
Tous les modèles doivent avoir le même type d’apprenant.
Type d’apprenant incompatible obtenu : « {type_apprenant} ». Les types d’apprenants attendus sont : « {liste_types_apprenants_attendus} ».

Erreur 0064

Une exception se produit si le nom du compte de stockage Azure ou la clé de stockage n’est pas spécifiée correctement.

Cette erreur se produit dans Azure Machine Learning si le nom du compte de stockage Azure ou la clé de stockage n’est pas spécifiée correctement. Vous recevrez cette erreur si vous entrez un nom de compte ou un mot de passe incorrects pour le compte de stockage. Cela peut se produire si vous entrez manuellement le nom de compte ou le mot de passe. Cela peut également se produire si le compte a été supprimé.

Résolution : Vérifiez que le nom de compte et le mot de passe ont été saisis correctement et que le compte existe.

Messages d’exception
Le nom du compte de stockage Azure ou la clé de stockage est incorrect.
Le nom de compte de stockage Azure « {nom_compte} » ou la clé de stockage du nom de compte est incorrect.

Erreur 0065

Une exception se produit si le nom du bob Azure n’est pas spécifié correctement.

Cette erreur se produit dans Azure Machine Learning si le nom du blob Azure n’est pas spécifié correctement. Vous recevrez l’erreur si :

Impossible de trouver l’objet blob dans le conteneur spécifié.

Seul le conteneur a été spécifié comme source dans une requête Importer des données lorsque le format était Excel ou CSV avec encodage ; la concaténation du contenu de tous les objets blob d’un conteneur n’est pas autorisée avec ces formats.
Un URI SAP ne contient pas le nom d’un objet blob valide.

Résolution : Revisitez le composant levant l’exception. Vérifiez que le blob spécifié existe bien dans le conteneur du compte de stockage et que les autorisations vous permettent de voir le blob. Vérifiez que l’entrée est définie sous la forme nomconteneur/nomfichier si vous avez Excel ou CSV avec des formats d’encodage. Vérifiez qu’une URI SAS contient le nom d’un blob valide.

Messages d’exception
Le nom de l’objet blob de stockage Azure est incorrect.
Le nom de l’objet blob de stockage Azure « {nom_objet_blob} » est incorrect.
Le nom de l’objet blob de stockage Azure avec le préfixe « {préfixe_nom_objet_blob} » n’existe pas.
Impossible de trouver des objets blob de stockage Azure sous le conteneur « {nom_conteneur} ».
Impossible de trouver des objets blob de stockage Azure avec le chemin générique « {chemin_générique_blob} ».

Erreur 0066

Une exception se produit si une ressource n’a pas pu être chargée dans un objet blob Azure.

Cette erreur dans Azure Machine Learning se produit si une ressource n’a pas pu être chargée dans un objet blob Azure. Les deux sont sauvegardés sur le même compte de stockage Azure que le compte contenant le fichier d’entrée.

Résolution : Revisitez le composant. Vérifiez que le nom du compte Azure, la clé de stockage et le conteneur sont corrects et que le compte est autorisé à écrire dans le conteneur.

Messages d’exception
La ressource n’a pas pu être chargée vers le stockage Azure.
Le fichier « {source_path} » n’a pas pu être chargé sur le stockage Azure en tant que « {dest_path} ».

Erreur 0067

Une exception se produit si un jeu de données possède un nombre de colonnes différent du nombre de colonnes prévu.

Cette erreur se produit dans Azure Machine Learning si un jeu de données possède un nombre de colonnes différent du nombre de colonnes prévu. Vous recevrez cette erreur lorsque le nombre de colonnes dans le jeu de données est différent du nombre de colonnes attendues par le composant pendant l’exécution.

Résolution : Modifiez le jeu de données d’entrée ou les paramètres.

Messages d’exception
Nombre de colonnes inattendu dans la table de données.
Nombre de colonnes inattendu dans le jeu de données « {nom_jeu_de_données} ».
« {nombre_de_colonnes_attendues} » colonnes attendues, mais « {nombre_de_colonnes_réel} » colonnes ont été trouvées à la place.
Dans le jeu de données d’entrée « {nom_jeu_de_données} », « {nombre_de_colonnes_attendues} » colonnes attendues, mais « {nombre_de_colonnes_réel} » colonnes ont été trouvées à la place.

Erreur 0068

Une exception se produit si le script Hive spécifié n’est pas correct.

Cette erreur se produit dans Azure Machine Learning si un script Hive SQL contient des erreurs de syntaxe ou si l’interpréteur Hive rencontre une erreur lors de l’exécution de la requête ou du script.

Résolution :

Le message d’erreur Hive est normalement rapporté dans le journal des erreurs afin que vous puissiez prendre des mesures en fonction de l’erreur spécifique.

Ouvrez le composant et vérifiez si la requête contient des erreurs.
Vérifiez que la requête fonctionne correctement en dehors d’Azure Machine Learning en vous connectant à la console Hive de votre cluster Hadoop et en exécutant la requête.
Veillez à placer les commentaires dans votre script Hive sur une ligne séparée au lieu de mélanger les instructions exécutables et les commentaires sur une seule ligne.

Ressources

Consultez les articles suivants pour obtenir de l’aide sur les requêtes Hive dans le cadre de l’apprentissage automatique :

Messages d’exception
Le script Hive est incorrect.

Erreur 0069

Une exception se produit si le script SQL spécifié n’est pas correct.

Cette erreur dans Azure Machine Learning se produit si le script SQL spécifié présente des problèmes de syntaxe ou si les colonnes ou la table spécifiées dans le script ne sont pas valides.

Vous recevrez cette erreur si le moteur SQL rencontre une erreur lors de l’exécution de la requête ou du script. Le message d’erreur SQL est normalement rapporté dans le journal des erreurs afin que vous puissiez prendre des mesures en fonction de l’erreur spécifique.

Résolution : revisitez le composant et examinez les erreurs de la SQL requête.

Vérifiez que la requête fonctionne correctement en dehors d’Azure Machine Learning en vous connectant directement au serveur de base de données et en exécutant la requête.

S’il existe un message généré par SQL signalé par l’exception du composant, effectuez des actions en fonction de l’erreur signalée. Par exemple, les messages d’erreur contiennent parfois des indications spécifiques sur l’erreur probable :

Aucune colonne ou base de données manquante, indiquant que vous avez peut-être tapé un nom de colonne incorrect. Si vous êtes sûr que le nom de la colonne est correct, essayez d’utiliser des crochets ou des guillemets pour placer l’identificateur de colonne.
Erreur logique SQL près de <mot-clé SQL> , indiquant une erreur de syntaxe probable avant le mot-clé spécifié

Messages d’exception
Le script SQL est incorrect.
La requête SQL « {sql_query} » n’est pas correcte.
La requête SQL « {sql_query} » n’est pas correcte. Message d’exception : {exception}.

Erreur 0070

Une exception se produit lors de la tentative d’accès à une table Azure inexistante.

Cette erreur dans Azure Machine Learning se produit lorsque vous tentez d’accéder à une table Azure inexistante. Vous recevrez cette erreur si vous spécifiez une table dans le stockage Azure, qui n’existe pas lors de la lecture ou de l’écriture dans Stockage Table Azure. Cela peut se produire si le nom de la table souhaitée que vous avez saisi est erroné ou si le nom cible et le type de stockage sont différents. Par exemple, vous aviez l’intention d’effectuer une lecture dans une table mais vous avez entré le nom d’un blob.

Résolution : Réexaminez le composant pour vérifier que le nom de la table est correct.

Messages d’exception
La table Azure n’existe pas.
La table Azure « {table_name} » n’existe pas.

Erreur 0072

Une exception se produit dans le cas d’un délai d’attente de connexion.

Cette erreur dans Azure Machine Learning se produit lorsqu’une connexion expire. Vous recevrez cette erreur s’il existe actuellement des problèmes de connectivité avec la source de données ou la destination, comme la connectivité Internet lente, ou si le jeu de données est volumineux et/ou si la requête SQL à lire dans les données effectue un traitement compliqué.

Résolution : Déterminez s’il existe actuellement des problèmes de lenteur de connexion au stockage Azure ou à Internet.

Messages d’exception
Le délai d’expiration de la connexion s’est écoulé.

Erreur 0073

Une exception se produit si une erreur se produit lors de la conversion d’une colonne vers un autre type.

Cette erreur dans Azure Machine Learning se produit lorsqu’il n’est pas possible de convertir une colonne en un autre type. Vous recevrez cette erreur si un composant nécessite un type particulier et qu’il n’est pas possible de convertir la colonne en nouveau type.

Résolution : Modifiez le jeu de données d’entrée pour que la colonne puisse être convertie en fonction de l’exception interne.

Messages d’exception
Échec de conversion de colonne.
Échec de conversion de colonne en {target_type}.

Erreur 0075

Une exception se produit lorsqu’une fonction de regroupement non valide est utilisée lors de la quantification d’un jeu de données.

Cette erreur dans Azure Machine Learning se produit lorsque vous essayez de biner des données à l’aide d’une méthode non prise en charge ou lorsque les combinaisons de paramètres ne sont pas valides.

Résolution :

La gestion des erreurs pour cet événement a été introduite dans une version antérieure d’Azure Machine Learning qui permettait une plus grande personnalisation des méthodes de compartimentage. Actuellement, toutes les méthodes de compartimentage sont basées sur une sélection dans une liste déroulante, donc techniquement cette erreur ne devrait plus se produire.

Messages d’exception
La fonction de compartimentage n’est pas valide.

Erreur 0077

Une exception se produit en cas de transmission du mode écriture d’un fichier blob inconnu.

Cette erreur se produit dans Azure Machine Learning si un argument non valide est transmis dans les spécifications pour une destination ou une source de fichier blob.

Résolution : Dans presque tous les composants qui importent ou exportent des données vers et depuis le stockage Blob Azure, les valeurs de paramètres contrôlant le mode d’écriture sont affectées à l’aide d’une liste déroulante . Par conséquent, il n’est pas possible de passer une valeur non valide et cette erreur ne doit pas apparaître. Cette erreur est déconseillée dans une version ultérieure.

Messages d’exception
Mode écriture d’objet blob non pris en charge.
Mode écriture d’objet blob non pris en charge : {blob_write_mode}.

Erreur 0078

Une exception se produit lorsque l’option HTTP associée à Importer des données reçoit un code d’état 3xx indiquant une redirection.

Cette erreur se produit dans Azure Machine Learning lorsque l’option HTTP associée à Importer des données reçoit un code d’état 3xx (301, 302, 304, etc.) indiquant une redirection. Vous recevrez cette erreur si vous tentez de vous connecter à une source HTTP qui redirige le navigateur vers une autre page. Pour des raisons de sécurité, la redirection de sites web n’est pas autorisée en tant que sources de données pour Azure Machine Learning.

Résolution : Si le site web est un site web de confiance, entrez directement l’URL redirigée.

Messages d’exception
La redirection HTTP n’est pas autorisée.

Erreur 0079

Une exception se produit si le nom du conteneur de stockage Azure n’est pas spécifié correctement.

Cette erreur se produit dans Azure Machine Learning si le nom du conteneur de stockage Azure n’est pas spécifié correctement. Vous recevrez cette erreur si vous n’avez pas spécifié le conteneur et le nom de l’objet blob (fichier) à l’aide du chemin d’accès à l’objet blob à partir de l’option conteneur lors de l’écriture dans Stockage Blob Azure.

Résolution : Réexaminez le composant Exporter des données et vérifiez que le chemin d’accès au blob contient à la fois le conteneur et le nom du fichier, dans le format conteneur/nomfichier.

Messages d’exception
Le nom du conteneur de stockage Azure est incorrect.
Le nom de conteneur de stockage Azure « {container_name} » est incorrect ; un nom de conteneur était attendu au format conteneur/blob.

Erreur 0080

L’exception se produit lorsque la colonne avec toutes les valeurs manquantes n’est pas autorisée par le composant.

Cette erreur se produit dans Azure Machine Learning lorsque aucune valeur ne figure dans une ou plusieurs des colonnes utilisées par le composant. Par exemple, si un composant calcule des statistiques d’agrégation pour chaque colonne, il ne peut pas fonctionner sur une colonne contenant aucune donnée. Dans ce cas, l’exécution du composant est interrompue avec cette exception.

Résolution : Réexaminez le jeu de données d’entrée et supprimez toutes les colonnes vides.

Messages d’exception
Les colonnes ne comportant aucune valeur ne sont pas autorisées.
Toutes les valeurs de la colonne {col_index_or_name} sont manquantes.

Erreur 0081

Une exception se produit dans le composant PCA si le nombre de dimensions à réduire est égal au nombre de colonnes de fonctionnalités dans le jeu de données d’entrée, lequel contient au moins une colonne de fonctionnalités éparses.

Cette erreur se produit dans Azure Machine Learning si les conditions suivantes sont remplies : (a) le jeu de données d’entrée comporte au moins une colonne éparse et (b) le nombre final de dimensions demandées est égal au nombre de dimensions d’entrée.

Résolution : Réduisez le nombre de dimensions dans la sortie pour qu’il soit inférieur au nombre de dimensions dans l’entrée. Il s’agit généralement d’applications de PCA.

Messages d’exception
Pour les jeux de données contenant des colonnes d’éléments épars, le nombre de dimensions à réduire doit être inférieur au nombre de colonnes de caractéristiques.

Erreur 0082

Une exception se produit lorsqu’un modèle ne peut pas être désérialisé avec succès.

Cette erreur dans Azure Machine Learning se produit lorsqu’un modèle machine learning enregistré ou une transformation ne peut pas être chargé par une version plus récente du runtime Azure Machine Learning en raison d’une modification cassant.

Résolution : Le pipeline de formation qui a produit le modèle ou la transformation doit être exécuté de nouveau et le modèle ou la transformation doit être enregistré de nouveau également.

Messages d’exception
Le modèle n’a pas pu être désérialisé parce qu’il est probablement sérialisé dans un format de sérialisation plus ancien. Formez de nouveau le modèle, puis enregistrez-le.

Erreur 0083

L’exception se produit si le jeu de données utilisé pour l’apprentissage ne peut pas être utilisé pour un type concret d’apprenant.

Cette erreur se produit dans Azure Machine Learning lorsque le jeu de données est incompatible avec l’apprenant en formation. Par exemple, au moins une valeur est manquante sur chaque ligne du jeu de données, ce qui signifie que celui-ci peut être ignoré pendant la formation. Dans d’autres cas, certains algorithmes d’apprentissage automatique tels que la détection d’anomalies ne s’attendent pas à ce que les étiquettes soient présentes et peuvent lever cette exception si les étiquettes sont présentes dans le jeu de données.

Résolution : Consulter la documentation de l’apprenant utilisé pour vérifier les exigences du jeu de données d’entrée. Examinez les colonnes pour vérifier si toutes les colonnes requises sont présentes.

Messages d’exception
Le jeu de données utilisé pour la formation n’est pas valide.
{data_name} contient des données non valides pour l’entraînement.
{data_name} contient des données non valides pour l’entraînement. Type d’apprenant : {learner_type}.
{data_name} contient des données non valides pour l’entraînement. Type d’apprenant : {learner_type}. Raison : « {raison} ».
Impossible d’appliquer l’action « {nom_action} » sur les données d’apprentissage {nom_données}. Raison : « {raison} ».

Erreur 0084

Une exception se produit lorsque les scores produits à partir d’un script R sont évalués. Cela n’est actuellement pas pris en charge.

Cette erreur se produit dans Azure Machine Learning si vous essayez d’utiliser l’un des composants pour évaluer un modèle avec sortie à partir d’un script R qui contient des scores.

Résolution :

Messages d’exception
L’évaluation des scores produites par le modèle personnalisé n’est actuellement pas prise en charge.

Erreur 0085

Une exception se produit lorsque l’évaluation du script échoue avec une erreur.

Cette erreur dans Azure Machine Learning se produit lorsque vous exécutez un script personnalisé qui contient des erreurs de syntaxe.

Résolution : Dans un éditeur externe, vérifiez si votre code contient des erreurs.

Messages d’exception
Erreur lors de l’évaluation du script.
L’erreur suivante s’est produite lors de l’évaluation du script. Pour plus d’informations, consultez le journal de sortie : ----------Début du message d’erreur de l’interpréteur {script_language}---------- {message} ----------Fin du message d’erreur de l’interpréteur {script_language}----------

Erreur 0090

Une exception se produit lorsque la création de table Hive échoue.

Cette erreur dans Azure Machine Learning se produit lorsque vous utilisez Exporter des données ou une autre option pour enregistrer des données dans un cluster HDInsight et que la table Hive spécifiée ne peut pas être créée.

Résolution : vérifiez le nom du compte de stockage Azure associé au cluster et vérifiez que vous utilisez le même compte dans les propriétés du composant.

Messages d’exception
Impossible de créer la table Hive. Pour un cluster HDInsight, vérifiez que le nom du compte de stockage Azure associé au cluster est identique à la valeur transmise par le paramètre de composant.
Impossible de créer la table Hive « {table_name} ». Pour un cluster HDInsight, vérifiez que le nom du compte de stockage Azure associé au cluster est identique à la valeur transmise par le paramètre de composant.
Impossible de créer la table Hive « {table_name} ». Pour un cluster HDInsight, vérifiez que le nom du compte de stockage Azure associé au cluster est « {cluster_name} ».

Erreur 0102

Levée lorsqu’un fichier ZIP ne peut pas être extrait.

Cette erreur dans Azure Machine Learning se produit lorsque vous importez un package compressé avec l’extension .zip, mais que le package n’est pas un fichier zip, ou que le fichier n’utilise pas un format zip pris en charge.

Résolution : Assurez-vous que le fichier sélectionné est un fichier .zip valide et qu’il a été compressé à l’aide d’un algorithme de compression pris en charge.

Si vous obtenez cette erreur lors de l’importation de jeux de données au format compressé, vérifiez que tous les fichiers contenus utilisent l’un des formats de fichiers pris en charge et qu’ils sont au format Unicode.

Essayez de rajouter les fichiers souhaités dans un nouveau dossier compressé au format zip et essayez de rajouter le composant personnalisé.

Messages d’exception
Le format du fichier ZIP donné n’est pas correct.

Erreur 0105

Cette erreur s’affiche lorsqu’un fichier de définition de composant contient un type de paramètre non pris en charge.

Cette erreur dans Azure Machine Learning est générée lorsque vous créez une définition xml de composant personnalisé et que le type d’un paramètre ou d’un argument dans la définition ne correspond pas à un type pris en charge.

Résolution : Assurez-vous que la propriété de type de n’importe quel élément Arg du fichier de définition xml du composant personnalisé est un type pris en charge.

Messages d’exception
Type de paramètre non pris en charge.
Le type de paramètre « {0} » non pris en charge est spécifié.

Erreur 0107

Levée lorsqu’un fichier de définition de composant définit un type de sortie non pris en charge.

Cette erreur dans Azure Machine Learning est générée lorsque le type d’un port de sortie dans une définition xml de composant personnalisé ne correspond pas à un type pris en charge.

Résolution : Assurez-vous que la propriété de type d’un élément Output du fichier de définition xml du composant personnalisé est un type pris en charge.

Messages d’exception
Type de sortie non pris en charge.
Type de sortie « {output_type} » non pris en charge spécifié.

Erreur 0125

Levée lorsque le schéma pour plusieurs jeux de données ne correspond pas.

Résolution :

Messages d’exception
Le schéma du jeu de données ne correspond pas.

Erreur 0127

La taille en pixels de l’image dépasse la limite autorisée.

Cette erreur se produit si vous lisez des images à partir d’un jeu de données d’images pour la classification et que les images sont plus volumineuses que le modèle peut gérer.

Messages d’exception
La taille en pixels de l’image dépasse la limite autorisée.
La taille en pixels de l’image dans le fichier « {file_path} » dépasse la limite autorisée : « {size_limit} ».

Erreur 0128

Le nombre de probabilités conditionnelles dépasse la limite pour les colonnes catégorielles.

Résolution :

Messages d’exception
Le nombre de probabilités conditionnelles dépasse la limite pour les colonnes catégorielles.
Le nombre de probabilités conditionnelles dépasse la limite pour les colonnes catégorielles. Les colonnes « {column_name_or_index_1} » et « {column_name_or_index_2} » sont la paire problématique.

Erreur 0129

Le nombre de colonnes du jeu de données dépasse la limite autorisée.

Résolution :

Messages d’exception
Le nombre de colonnes du jeu de données dépasse la limite autorisée.
Le nombre de colonnes du jeu de données « {nom_jeu_de_données} » dépasse la limite autorisée.
Le nombre de colonnes du jeu de données « {nom_jeu_de_données} » dépasse la limite autorisée de « {nom_composant} ».
Le nombre de colonnes du jeu de données « {nom_jeu_de_données} » dépasse la limite autorisée « {nombre_limite_de_colonnes} » de « {nom_composant} ».

Erreur 0134

Une exception se produit lorsqu’une colonne d’étiquette est manquante ou possède un nombre insuffisant de lignes étiquetées.

Cette erreur se produit lorsque le composant nécessite une colonne d’étiquette, mais que vous n’en avez pas inclus une dans la sélection de colonne, ou que la colonne d’étiquette ne contient pas trop de valeurs.

Cette erreur peut également se produire lorsqu’une opération précédente modifie le jeu de données de sorte qu’un nombre insuffisant de lignes est disponible pour une opération en aval. Par exemple, supposons que vous utilisiez une expression dans le composant Partition and Sample (Partitionner et échantillonner) pour diviser un jeu de données par valeurs. Si aucune correspondance n’est trouvée pour votre expression, l’un des jeux de données résultant de la partition sera vide.

Résolution :

Si vous incluez une colonne d’étiquette dans la sélection de colonnes mais qu’elle n’est pas reconnue, utilisez le composant Modifier les métadonnées pour la marquer en tant que colonne d’étiquette.

Ensuite, vous pouvez utiliser le composant Clean Missing Data (Nettoyer les données manquantes) pour supprimer les lignes vides dans la colonne d’étiquette.

Vérifiez vos jeux de données d’entrée pour vous assurer qu’ils contiennent des données valides et suffisamment de lignes pour satisfaire aux exigences de l’opération. De nombreux algorithmes génèrent un message d’erreur s’ils nécessitent un nombre minimal de lignes de données, mais les données ne contiennent que quelques lignes, ou seulement un en-tête.

Messages d’exception
Une exception se produit lorsqu’une colonne d’étiquette est manquante ou possède un nombre insuffisant de lignes étiquetées.
Une exception se produit quand une colonne d’étiquette est manquante ou a moins de {nombre_de_lignes_requises} lignes étiquetées.
Une exception se produit quand une colonne d’étiquette dans le jeu de données {nom_jeu_de_données} est manquante ou a moins de {nombre_de_lignes_requises} lignes étiquetées.

Erreur 0138

Mémoire insuffisante, ce qui empêche l’exécution complète du composant. Le sous-échantillonnage du jeu de données peut aider à atténuer le problème.

Cette erreur se produit lorsque le composant en cours d’exécution nécessite plus de mémoire que la mémoire disponible dans le conteneur Azure. Cela peut se produire si vous utilisez un jeu de données volumineux et que l’opération actuelle ne peut pas s’adapter à la mémoire.

Résolution : si vous essayez de lire un jeu de données volumineux et que l’opération ne peut pas être terminée, l’échantillonnage du jeu de données peut vous aider.

Messages d’exception
Mémoire insuffisante, ce qui empêche l’exécution complète du composant.
Mémoire insuffisante, ce qui empêche l’exécution complète du composant. Détails : {détails}

Erreur 0141

Une exception se produit si le nombre de colonnes numériques sélectionnées est trop faible et si les valeurs uniques dans les colonnes catégorielles et de chaînes sont trop petites.

Cette erreur dans Azure Machine Learning se produit lorsqu’il n’y a pas suffisamment de valeurs uniques dans la colonne sélectionnée pour effectuer l’opération.

Résolution : certaines opérations effectuent des opérations statistiques sur les colonnes de caractéristique et de catégorie, et si des valeurs ne sont pas suffisantes, l’opération peut échouer ou retourner un résultat non valide. Vérifiez le nombre de valeurs présentes dans les colonnes de caractéristiques et d’étiquettes, puis déterminez si l’opération que vous essayez d’effectuer est statistiquement valide.

Si le jeu de données source est valide, vous pouvez également vérifier si une opération de métadonnées ou de manipulation de données en amont a modifié les données et supprimé certaines valeurs.

Si les opérations en amont incluent un fractionnement, un échantillonnage ou un rééchantillonnage, vérifiez que le résultat contient le nombre attendu de lignes et de valeurs.

Messages d’exception
Le nombre de colonnes numériques sélectionnées est trop faible et les valeurs uniques dans les colonnes catégorielles et de chaînes sont trop petites.
Le nombre total de colonnes numériques sélectionnées et les valeurs uniques dans les colonnes catégorielles et de chaînes (actuellement {actual_num}) doivent être au moins égaux à {lower_boundary}.

Erreur 0154

Une exception se produit quand l’utilisateur tente de joindre des données sur des colonnes clés avec un type de colonne incompatible.

Messages d’exception
Les types d’éléments de colonne clé ne sont pas compatibles.
Les types d’éléments de colonne clé ne sont pas compatibles. (à gauche : {clés_gauche} ; à droite : {clés_droite})

Erreur 0155

L’exception se produit lorsque les noms de colonnes du jeu de données ne sont pas des chaînes.

Messages d’exception
Le nom de colonne dataframe doit être de type chaîne. Les noms de colonnes ne sont pas des chaînes.
Le nom de colonne dataframe doit être de type chaîne. Les noms de colonnes {noms_colonnes} ne sont pas des chaînes.

Erreur 0156

Une exception se produit en cas d’échec de lecture des données à partir d’Azure SQL Database.

Messages d’exception
Échec de lecture des données à partir d’Azure SQL Database.
Échec de lecture des données à partir d’Azure SQL Database : {message_détaillé} DB : {nom_serveur_base_de_données}:{nom_base_de_données} Requête : {instruction_sql}

Erreur 0157

Magasin de données introuvable.

Messages d’exception
Les informations du magasin de données ne sont pas valides.
Les informations du magasin de données ne sont pas valides. Impossible d’obtenir le magasin de données Azure Machine Learning « {nom_magasin_de_données} » dans l’espace de travail « {nom_espace_de_travail} ».

Erreur 0158

Générée lorsque un répertoire de transformation n’est pas valide.

Messages d’exception
Le répertoire de transformation donné n’est pas valide.
L’élément « {nom_argument} » TransformationDirectory n’est pas valide. Raison : « {raison} ». Veuillez réexécuter l’expérience de formation qui génère le fichier de transformation. Si l’expérience de formation a été supprimée, recréez et enregistrez le fichier de transformation.
L’élément « {nom_argument} » TransformationDirectory n’est pas valide. Raison : « {raison} ». {conseil_dépannage}

Erreur 0159

Une exception se produit si le répertoire du modèle du composant n’est pas valide.

Messages d’exception
L’élément ModelDirectory indiqué n’est pas valide.
L’élément ModelDirectory « {arg_name} » n’est pas valide.
L’élément ModelDirectory « {arg_name} » n’est pas valide. Raison : « {raison} ».
L’élément ModelDirectory « {arg_name} » n’est pas valide. Raison : « {raison} ». {conseil_dépannage}

Erreur 1000

Exception de la bibliothèque interne.

Cette erreur est fournie pour capturer les erreurs internes du moteur qui n’auraient pas été gérées autrement. Par conséquent, la cause de cette erreur peut être différente selon le composant qui a généré l’erreur.

Pour obtenir plus d’aide, nous vous recommandons de publier le message détaillé qui accompagne l’erreur sur le forum Azure Machine Learning, en indiquant une description du scénario, y compris les données utilisées comme entrées. Ces commentaires nous aident à hiérarchiser les erreurs et à identifier les problèmes les plus importants pour un travail plus approfondi.

Messages d’exception
Exception de la bibliothèque.
Exception de bibliothèque : {exception}.
Exception de bibliothèque inconnue : {exception}. {customer_support_guidance}.

Guide de résolution des problèmes

Erreur du composant Exécuter un script Python

Recherchez in azureml_main dans 70_driver_logs du composant Exécuter le script Python pour trouver la ligne où l’erreur s’est produite. Par exemple, "File "/tmp/tmp01_ID/user_script.py", line 17, in azureml_main" indique que l’erreur s’est produite dans la ligne 17 de votre script Python.

Entraînement distribué

Actuellement, le concepteur prend en charge la formation distribuée pour le composant Entraîner un modèle Pytorch.

Si l’apprentissage distribué activé pour le composant échoue sans aucun journal 70_driver, vous pouvez consulter les détails de l’erreur dans 70_mpi_log.

L’exemple suivant montre que le Nombre de nœuds des paramètres d’exécution est supérieur au nombre de nœuds disponibles du cluster de calcul.

L’exemple suivant montre que le Nombre de processus par nœud est supérieur à l’Unité de traitement du calcul.

Sinon, vous pouvez vérifier 70_driver_log pour chaque processus. 70_driver_log_0 est le processus principal.

Échec du montage d’exemples de données dans le pipeline

Si vous rencontrez une erreur ci-dessus, suivez les étapes ci-dessous pour résoudre le problème :

Double-cliquez sur le nœud de données pour accéder à la page de détails du magasin de données.
Unregister ce azureml_globaldatasets magasin de données.
Faites glisser et déposez un nouveau Sample Data nœud vers le pipeline pour effectuer une autre tentative.

Partage via

Exceptions et codes d’erreur pour le concepteur

Erreur 0001

Erreur 0002

Erreur 0003

Erreur 0004

Erreur 0005

Erreur 0006

Erreur 0007

Erreur 0008

Erreur 0009

Erreur 0010

Erreur 0011

Erreur 0012

Erreur 0013

Erreur 0014

Erreur 0015

Erreur 0016

Erreur 0017

Erreur 0018

Erreur 0019

Erreur 0020

Erreur 0021

Erreur 0022

Erreur 0023

Erreur 0024

Erreur 0025

Erreur 0026

Erreur 0027

Erreur 0028

Erreur 0029

Erreur 0030

Erreur 0031

Erreur 0032

Erreur 0033

Erreur 0034

Erreur 0035

Erreur 0036

Erreur 0037

Erreur 0039

Erreur 0042

Erreur 0044

Erreur 0045

Erreur 0046

Erreur 0047

Erreur 0048

Erreur 0049

Erreur 0052

Erreur 0053

Erreur 0056

Erreur 0057

Erreur 0058

Erreur 0059

Erreur 0060

Erreur 0061

Erreur 0062

Erreur 0064

Erreur 0065

Erreur 0066

Erreur 0067

Erreur 0068

Ressources

Erreur 0069

Erreur 0070

Erreur 0072

Erreur 0073

Erreur 0075

Erreur 0077

Erreur 0078

Erreur 0079

Erreur 0080

Erreur 0081

Erreur 0082

Erreur 0083

Erreur 0084

Erreur 0085

Erreur 0090

Erreur 0102

Erreur 0105

Erreur 0107