Partager via


Résoudre les exceptions de module dans Machine Learning Studio (classique) à l’aide de codes d’erreur

Important

Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.

À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.

La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.

Découvrez les messages d’erreur et les codes d’exception que vous pouvez rencontrer à l’aide de modules dans Machine Learning Studio (classique).

Pour résoudre le problème, cherchez l’erreur dans cet article afin d’en connaître les causes courantes. Il existe deux façons d’obtenir le texte intégral d’un message d’erreur dans Studio (classique) :

  • Cliquez sur le lien Afficher le journal de sortie dans le volet de droite et faites défiler vers le bas. Le message d’erreur détaillé est affiché dans les deux dernières lignes de la fenêtre.

  • Sélectionnez le module qui présente l’erreur et cliquez sur la croix rouge. Seul le texte d’erreur correspondant s’affiche.

Si le texte du message n’est pas utile, envoyez-nous des informations sur le contexte et les ajouts ou les modifications souhaités. Vous pouvez envoyer des commentaires sur la rubrique d’erreur, ou visiter le forum Machine Learning Studio (classique) et publier une question.

Erreur 0001

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

Vous recevez cette erreur si une sélection de colonne est effectuée pour un module, 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 le nom d’une colonne ou si le sélecteur de colonnes a fourni une colonne suggérée qui n’existait pas dans votre jeu de données lorsque vous avez lancé l’expérience.

Résolution : Réexaminez le module 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 « {0} » est introuvable
Le colonne portant le nom ou l’index « {0} » est introuvable dans « {1} »

Erreur 0002

Une exception se produit si un ou plusieurs paramètres n’ont pas pu être analysés ou convertis dans le type requis par le type de méthode cible.

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

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

Messages d’exception
Échec de l’analyse des paramètres
Échec de l’analyse du paramètre « {0} ».
Échec de l’analyse (conversion) du paramètre « {0} » en paramètre « {1} »
Échec de la conversion du paramètre « {0} » de « {1} » en « {2} »
Échec de la conversion de la valeur de paramètre « {0} » « {1} » de « {2} » en « {3} »
Impossible de convertir la valeur « {0} » de la colonne « {1} » de « {2} » à « {3} » en utilisant le format « {4} » fourni

Erreur 0003

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

Vous recevrez cette erreur dans Machine Learning si les entrées ou paramètres d’un module sont null ou vides. Cette erreur peut survenir, par exemple, lorsque vous n’avez pas saisi de 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 module 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 « {0} » est nulle ou vide

Erreur 0004

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

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

Résolution : Réexaminez le module 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 « {0} » doit être supérieure à {1}.
Le paramètre « {0} » contient la valeur « {1} » qui doit être supérieure à {2}.

Erreur 0005

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

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

Résolution : Réexaminez le module 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 « {0} » doit être supérieure ou égale à {1}.
Le paramètre « {0} » contient la valeur « {1} » qui doit être supérieure ou égale à {2}.

Erreur 0006

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

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

Résolution : Réexaminez le module 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 « {0} » doit être inférieure à celle du paramètre « {1} ».
Le paramètre « {0} » contient la valeur « {1} » qui doit être inférieure à {2}.

Erreur 0007

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

Vous recevrez cette erreur dans Machine Learning si, dans les propriétés du module, 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 manière ou d’une autre. Par exemple, si vous renommez les 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 module 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 module accepte plusieurs entrées, assurez-vous qu’elles sont de même taille.
  • Si le module a plusieurs propriétés qui peuvent être définies, vérifiez que les propriétés associées ont des valeurs appropriées. Par exemple, lors de l’utilisation de données de groupe dans des bacs, si vous utilisez l’option pour spécifier des arêtes de bin personnalisées, le nombre de bacs doit correspondre au nombre de valeurs que vous fournissez en tant que limites de bin.
  • 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 « {0} » doit être inférieure ou égale à la valeur du paramètre « {1} ».
Le paramètre « {0} » contient la valeur « {1} » qui doit être inférieure ou égale à {2}.

Erreur 0008

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

Vous recevrez cette erreur dans Machine Learning si le paramètre du message est en dehors des limites requises pour que le module 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 module 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 « {0} » ne figure pas dans la plage.
La valeur du paramètre « {0} » doit figurer dans la plage [{1}, {2}].

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 Machine Learning Studio (classique) 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 Machine Learning Studio (classique). 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 module 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 Machine Learning. Par exemple, les nouveaux types de stockage « à chaud » et « à froid » ne sont pas utilisables dans le cadre de l’apprentissage automatique. 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 commencer par une barre oblique. Par exemple /conteneur/blob est incorrect et doit être entré en tant que conteneur/blob.

Ressources

Consultez cet article pour obtenir une explication des différentes options de stockage prises en charge : Importer des données dans Machine Learning Studio (classique) à partir de différentes sources de données en ligne avec le module Importer des données

Exemples d'expérimentations

Consultez ces expériences dans la galerie Cortana Intelligence pour obtenir des exemples de connexion à différentes sources de données :

Messages d’exception
Le nom du compte de stockage Azure ou le nom du conteneur est incorrect.
Le nom du compte de stockage « {0} » ou le nom du conteneur « {1} » est incorrect ; un nom de conteneur était attendu dans le 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 Machine Learning si l’index de colonne du message a des noms de colonnes différents 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 {0} (de base zéro) des jeux de données d’entrée ({1} et {2} respectivement).

Erreur 0011

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

Vous recevrez cette erreur dans Machine Learning si la sélection de colonne 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 module fonctionne.

Résolution : Modifiez la sélection de colonnes dans le module pour qu’elle s’applique aux colonnes du jeu de données.

Si le module 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 renouvelez l’expérience.

Messages d’exception
Le jeu de colonnes spécifié ne s’applique à aucune des colonnes du jeu de données.
Le jeu de colonnes spécifié « {0} » ne s’applique à aucune des colonnes du jeu de données.

Erreur 0012

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

Résolution : Cette erreur ne peut pas être corrigée par l’utilisateur et sera déconseillée dans une version ultérieure.

Messages d’exception
Modèle non formé, effectuez l’apprentissage du modèle préalablement.
Modèle non formé ({0}), utilisez un modèle formé.

Erreur 0013

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

Cette erreur se produit lorsqu’un modèle formé est incompatible avec le module de notation connecté. Par exemple, la connexion de la sortie de Train Matchbox Recommender to Score Model (au lieu de Score Matchbox Recommender) génère cette erreur lors de l’exécution de l’expérience.

Résolution :

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

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

Type de modèle Module de formation Module de notation
n’importe quel classifieur Entraîner des hyperparamètres de modèle ou d’optimisation du modèle Noter le modèle
n’importe quel modèle de régression Entraîner des hyperparamètres de modèle ou d’optimisation du modèle Noter le modèle
modèles de clustering Entraîner un modèle de clustering ou Nettoyer le clustering Attribuer des données à des clusters
détection d’anomalies - SVM à classe unique Former le modèle de détection des anomalies Noter le modèle
détection d’anomalies - PCA Entraîner des hyperparamètres de modèle ou d’optimisation du modèle Noter le modèle
Certaines étapes supplémentaires sont nécessaires pour évaluer le modèle.
détection d’anomalies - série chronologique Détection des anomalies de série chronologique Le modèle s’entraîne à partir des données et produit des scores. Le module ne crée pas d’apprenant formé et aucune notation supplémentaire n’est requise.
modèle de recommandation Former la recommandation Matchbox Noter la recommandation Matchbox
classification d’image Classification d’image en cascade préformée Noter le modèle
Modèles Vowpal Wabbit Former un modèle Vowpal Wabbit Version 7-4 Noter un modèle Vowpal Wabbit Version 7-4
Modèles Vowpal Wabbit Former un modèle Vowpal Wabbit Version 7-10 Noter un modèle Vowpal Wabbit Version 7-10
Modèles Vowpal Wabbit Former un modèle Vowpal Wabbit Version 8 Noter un modèle Vowpal Wabbit Version 8
Messages d’exception
L’apprenant de type non valide est transmis avec succès.
L’apprenant « {0} » est de type non valide.

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. Par exemple, 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 les deux entrées.

Résolution :

Ouvrez le module qui a généré l’erreur et identifiez les colonnes utilisées comme entrées. Pour certains modules, 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.

Conseil

Impossible de trouver une résolution correspondant à votre scénario ? Vous pouvez fournir des commentaires sur cette rubrique qui inclut le nom du module 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 : « {0} » dépasse le nombre de tuples {1}.

Erreur 0015

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

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

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 : {0}.

Erreur 0016

Une exception se produit si des jeux de données d’entrée transmis au module possèdent des types de colonnes incompatibles les uns avec les autres.

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

Résolution: Utilisez Modifier les métadonnées, modifier le jeu de données d’entrée d’origine ou utiliser Convertir en jeu de données 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 {0} et {1} sont incompatibles.
Les types d’éléments de colonne ne sont pas compatibles pour la colonne {0} (de base zéro) des jeux de données d’entrée ({1} et {2} respectivement).

Erreur 0017

Une exception se produit si une colonne sélectionnée utilise un type de données que le module actuel ne prend pas en charge.

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

Résolution :

  1. Identifiez la colonne qui pose problème.
  2. Consultez les conditions requises pour le module.
  3. Modifiez la colonne pour qu’elle soit conforme à ces conditions. Vous pourriez avoir besoin d’utiliser plusieurs des modules suivants pour effectuer des modifications selon la colonne et la conversion que vous essayez :
    • Utilisez Modifier les métadonnées pour modifier le type de données des colonnes ou convertir des colonnes d’un type à un autre (de fonctionnalité à numérique, de catégoriel à non catégoriel, etc.) selon l’utilisation.
    • Utilisez Convertir en jeu de données pour vous assurer que toutes les colonnes incluses utilisent des types de données pris en charge par Machine Learning. Si vous ne pouvez pas convertir les colonnes, envisagez de les supprimer du jeu de données d’entrée.
    • Utilisez les modules Appliquer SQL Transformation ou Exécuter un script R pour caster ou convertir des colonnes qui ne peuvent pas être modifiées à l’aide de Modifier les métadonnées. Ces modules offrent une plus grande flexibilité pour l’utilisation des types de données datetime.
    • Pour les types de données numériques, vous pouvez utiliser le module Appliquer l’opération mathématique pour arrondir ou tronquer des valeurs, ou utiliser le module Clip Values pour supprimer des valeurs hors plage.
  4. En dernier recours, vous devrez peut-être modifier le jeu de données d’entrée original.

Conseil

Impossible de trouver une résolution correspondant à votre scénario ? Vous pouvez fournir des commentaires sur cette rubrique qui inclut le nom du module 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
Impossible de traiter la colonne avec le type actuel. Le type n’est pas pris en charge par le module.
Impossible de traiter la colonne de type {0}. Le type n’est pas pris en charge par le module.
Impossible de traiter la colonne « {1} » de type {0}. Le type n’est pas pris en charge par le module.
Impossible de traiter la colonne « {1} » de type {0}. Le type n’est pas pris en charge par le module. Nom du paramètre : {2}

Erreur 0018

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

Résolution: Cette erreur dans Machine Learning peut apparaître dans de nombreux contextes, de sorte qu’il n’y a pas une seule résolution. En général, le message d’erreur indique que les données fournies en entrée à un module ont un nombre de colonnes incorrect ou que le type de données ne correspond pas aux exigences du module. Par exemple :

  • Le module nécessite une colonne d’étiquette, mais aucune colonne n’est marquée en tant qu’étiquette ou vous n’avez pas encore sélectionné de colonne d’étiquette.

  • Ce module exige que les données soient catégorielles, or vos données sont numériques.

  • Le module nécessite un type de données spécifique. Par exemple, les évaluations fournies à l’éditeur de recommandations Matchbox peuvent être numériques ou catégorielles, mais ne peuvent pas être des nombres à virgule flottante.

  • 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 saisies, consultez la rubrique d’aide du module qui utilisera le jeu de données comme entrée.

Nous vous recommandons également d’utiliser Résumé des données ou des statistiques élémentaires de calcul pour profiler vos données et utiliser ces modules pour corriger les métadonnées et nettoyer les valeurs : Modifier les métadonnées, Nettoyer les données manquantes, Valeurs de clip.

Messages d’exception
Le jeu de données n’est pas valide.
{0} contient des données non valides.
{0} et {1} doivent être cohérents au niveau de la colonne.

Erreur 0019

Une exception se produit si la colonne contient des valeurs non triées alors que celles-ci devraient l’être.

Vous recevrez cette erreur dans 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 module.

Messages d’exception
Les valeurs de la colonne ne sont pas triées.
Les valeurs de la colonne « {0} » ne sont pas triées.
Les valeurs de la colonne « {0} » du jeu de données « {1} » ne sont pas triées.

Erreur 0020

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

Vous recevrez cette erreur dans Machine Learning si aucune colonne n’a été sélectionnée pour un module.

Résolution : Réexaminez le module 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 est inférieur au minimum autorisé de {0} colonne(s).
Le nombre de colonnes du jeu de données d’entrée « {0} » est inférieur au minimum autorisé de {1} colonne(s).

Erreur 0021

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

Cette erreur s’affiche dans Machine Learning lorsqu’il n’y a pas suffisamment de lignes dans le jeu de données pour effectuer l’opération spécifiée. Par exemple, cette erreur peut s’afficher si le jeu de données d’entrée est vide ou si vous essayez d’effectuer une opération qui nécessite un nombre minimum de lignes pour être valide. De telles opérations peuvent inclure (sans toutefois s’y limiter) le regroupement ou la classification fondée sur des méthodes statistiques, certains types de regroupement et la formation par comptage.

Résolution :

  • Ouvrez le module qui a renvoyé l’erreur et vérifiez le jeu de données d’entrée et les propriétés du module.
  • Vérifiez que le jeu de données d’entrée n’est pas vide et qu’il y a suffisamment de lignes de données pour répondre aux exigences décrites dans l’aide du module.
  • Si vos données sont chargées à partir d’une source externe, assurez-vous que la source de données est disponible et qu’il n’y a pas d’erreur ou de modification dans la définition des données qui entraînerait une diminution du nombre de lignes dans le processus d’importation.
  • Si vous effectuez une opération sur les données en amont du module qui pourrait affecter le type de données ou le nombre de valeurs, comme une opération de nettoyage, de fractionnement ou de jointure, vérifiez les résultats produits par une telle opération pour déterminer le nombre de lignes renvoyées.

Erreur 0022

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

Cette erreur dans Machine Learning peut se produire lorsque le module ou l’opération en aval nécessite un nombre spécifique de colonnes ou d’entrées, et que vous avez fourni trop peu ou trop 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 les colonnes, mais vous avez fourni plus ou moins de noms qu’il n’y a de colonnes.

  • Le nombre de colonnes dans la source ou la destination a changé ou ne correspond pas au nombre de colonnes utilisé par le module.

  • Vous avez fourni une liste de valeurs séparées par des virgules pour les entrées, or le nombre de valeurs ne correspond pas ou plusieurs entrées ne sont pas prises en charge.

Résolution : Réexaminez le module et assurez-vous que la sélection de colonnes possède un nombre correct de colonnes sélectionnées. Vérifiez les sorties des modules 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.

Si vous essayez de spécifier une liste séparée par des virgules de jeux de données en tant qu’entrées pour décompresser des jeux de données compressés, décompressez un seul jeu de données à la fois. Plusieurs entrées ne sont pas prises en charge.

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

Si vous utilisez un jeu de données de recommandation pour former un modèle, n’oubliez pas que le générateur de recommandations attend un nombre limité de colonnes, correspondant à des paires utilisateur-élément ou à des 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 en entrée n’est pas égal à {0}.
Le modèle de sélection de colonnes « {0} » fournit un nombre de colonnes sélectionnées dans le jeu de données en entrée différent de {1}.
Le modèle de sélection de colonnes « {0} » est censé fournir {1} colonne(s) sélectionnée(s) dans le jeu de données d’entrée mais {2} colonne(s) est (sont) fournie(s).

Erreur 0023

Une exception se produit si la colonne cible du jeu de données en entrée n’est pas valide pour le module de formation actuel.

Cette erreur dans Machine Learning se produit si la colonne cible (telle que sélectionnée dans les paramètres du module) 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 module pour inspecter le contenu de la colonne d’étiquette/cible. Assurez-vous qu’elle n’est pas totalement vide. Si le module 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 « {0} » qui n’est pas prise en charge.
Le jeu de données d’entrée comporte la colonne cible « {0} » qui n’est pas prise en charge pour l’apprenant de type {1}.

Erreur 0024

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

Cette erreur dans Machine Learning se produit lorsque le module 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 également arriver qu’une colonne d’étiquette soit présente dans le jeu de données, mais qu’elle n’est pas détectée correctement par Machine Learning.

Résolution :

  • Ouvrez le module qui a généré l’erreur et déterminez si une colonne d’étiquette est présente. Le nom ou le type de données de la colonne importe peut tant que la colonne contient un seul résultat (ou une variable dépendante) que vous essayez de prédire. En cas de doute sur la colonne contenant l’étiquette, recherchez un nom générique tel que Classe ou 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 se peut également que le jeu de données ne soit pas le résultat d’un module de classement en amont.
  • Pour marquer explicitement la colonne en tant que colonne d’étiquette, ajoutez le module 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.
Le jeu de données « {0} » ne contient pas de colonne d’étiquette.

Erreur 0025

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

Cette erreur dans Machine Learning se produit si l’entrée du modèle d’évaluation 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 : Réexaminez l’entrée du modèle d’évaluation pour déterminer celui-ci contient une ou plusieurs colonnes de score. Si ce n’est pas le cas, c’est que le jeu de données n’a pas été noté ou que les colonnes de score ont été supprimées dans un module 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 « {0} ».
Il n’y a pas de colonne de score dans « {0} » produite par un « {1} ». Notez le jeu de données en utilisant le bon type d’apprenant.

Erreur 0026

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

Cette erreur dans Machine Learning se produit si plusieurs colonnes ont le même nom. Par exemple, cette erreur se produit car le jeu de données n’a pas de ligne d’en-tête et les noms de colonne sont attribués automatiquement : Col0, Col1, etc.

Résolution : Si les colonnes portent le même nom, insérez un module Modifier les métadonnées entre le jeu de données d’entrée et le module. 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 module.
Les noms de colonnes Equal (Égal à) ne sont pas autorisés dans les arguments « {0} » et « {1} ». Spécifiez des noms différents.

Erreur 0027

Une exception se produit dans le cas où deux objets doivent être de tailles identiques mais ne le sont pas.

Il s’agit d’une erreur courante dans Machine Learning et peut être due à de nombreuses conditions.

Résolution : Il n’existe pas une solution en particulier. 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) comporte le même nombre d’éléments.

  • Si vous joignez ou concaténez deux jeux de données, assurez-vous qu’ils s’appuient sur le même schéma.

  • Si vous joignez deux jeux de données qui ont plusieurs colonnes, assurez-vous que les colonnes clés sont définies avec le même type de données et sélectionnez l’option Allow duplicates and preserve column order in selection (Autoriser les doublons et préserver l’ordre des colonnes dans la sélection).

Messages d’exception
La taille des objets transmis est incohérente.
La taille de « {0} » est incompatible avec la taille de « {1} ».

Erreur 0028

Une exception se produit dans le cas où le jeu de colonnes contient des noms de colonnes en double, ce qui n’est pas autorisé.

Cette erreur dans Machine Learning se produit lorsque les noms de colonnes sont dupliqués ; autrement dit, pas uniques.

Résolution : Si des colonnes portent le même nom, ajoutez une instance de Modifier les métadonnées entre le jeu de données d’entrée et le module 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, assurez-vous que les valeurs que vous saisissez dans New column names (Nouveaux noms de colonne) sont uniques.

Messages d’exception
Le jeu de colonnes contient des noms de colonne en double.
Le nom « {0} » est dupliqué.
Le nom « {0} » est dupliqué dans « {1} ».

Erreur 0029

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

Cette erreur dans Machine Learning se produit si l’URI n’est pas valide. Vous recevez cette erreur si l’une des conditions suivantes est vraie.

  • 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 : Réexaminez le module 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 une URI de bouclage (localhost).

Messages d’exception
Un URI non valide est transmis.

Erreur 0030

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

Cette exception dans Machine Learning se produit lorsqu’il n’est pas possible de télécharger un fichier. Vous recevez cette exception lorsqu’une tentative de lecture effectuée à partir d’une source HTTP a échoué au bout de trois (3) 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 : {0}.

Erreur 0031

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

Cette erreur dans Machine Learning se produit si le nombre de colonnes sélectionnées est inférieur à celui nécessaire. Vous recevez cette erreur si le nombre minimum de colonnes requis 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.
{0} colonne(s) doit (doivent) être spécifiée(s). Le nombre effectif de colonnes est de {1}.

Erreur 0032

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

Vous recevrez cette erreur dans 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.
« {0} » n’est pas un nombre.

Erreur 0033

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

Cette erreur dans Machine Learning se produit si l’argument est infini. Vous recevez ce message d’erreur si l’argument est double.NegativeInfinity ou double.PositiveInfinity.

Résolution : Corrigez la valeur de l’argument spécifié.

Messages d’exception
L’argument doit être fini.
« {0} » n’est pas fini.

Erreur 0034

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

Cette erreur dans Machine Learning se produit dans la recommandation si une paire d’éléments utilisateur a plusieurs valeurs d’évaluation.

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.
Plusieurs classements pour l’utilisateur {0} et l’élément {1} dans le tableau des données de prévision des classements.

Erreur 0035

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

Cette erreur dans 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. Vous devez vous assurer qu’un vecteur de fonctionnalité est disponible dans les données pour chaque utilisateur ou chaque 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 à présent 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 de définir des prévisions appropriées pour ces derniers.

Si vous ne disposez d’aucune fonctionnalité pour ces utilisateurs, vous pouvez implémenter vos compétences techniques pour développer des fonctionnalités appropriées. Par exemple, si vous n’avez pas de valeurs individuelles d’âge ou de revenu pour les utilisateurs, vous pouvez générer des valeurs approximatives applicables à un groupe d’utilisateurs.

Lorsque vous effectuez un scoring à partir d’un mode de recommandation, vous pouvez utiliser des fonctionnalités d’élément ou d’utilisateur uniquement si vous avez déjà utilisé des fonctionnalités d’élément ou d’utilisateur pendant l’entraînement. Pour plus d’informations, consultez Score Matchbox Recommender.

Pour obtenir des informations générales sur le fonctionnement de l’algorithme de recommandation Matchbox et sur la préparation d’un jeu de données de fonctionnalités d’élément ou de fonctionnalités utilisateur, consultez Train Matchbox Recommender.

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 module 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 {0} 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 dans Machine Learning se produit si un vecteur de caractéristique est défini plusieurs fois.

Résolution : Assurez-vous 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.
Définition de fonctionnalité en double pour {0}.

Erreur 0037

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

Cette erreur dans Machine Learning se produit si plusieurs colonnes sont sélectionnées pour être la 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.

Erreur 0038

Une exception se produit si le nombre d’éléments attendus doit être une valeur exacte mais ne l’est pas.

Cette erreur dans Machine Learning se produit si le nombre d’éléments attendus doit être une valeur exacte, mais n’est pas. Vous recevez ce message d’erreur si le nombre d’éléments n’est pas égal à la valeur attendue valide.

Résolution: Modifiez l’entrée pour avoir le nombre correct d’éléments.

Messages d’exception
Le nombre d’éléments n’est pas valide.
Le nombre d’éléments de « {0} » n’est pas valide.
Le nombre d’éléments de « {0} » n’est pas égal au nombre valide d’éléments ({1}).

Erreur 0039

Une exception se produit si une opération a échoué.

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

Résolution : Cette erreur est due à de nombreuses conditions différentes : c’est pourquoi il n’existe pas une seule solution au problème.
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, envoyez des commentaires dans lesquelles vous fournirez des informations sur les modules 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 : {0}.

Erreur 0040

Une exception se produit lors de l’appel d’un module dont l’utilisation est déconseillée.

Cette erreur dans Machine Learning est produite lors de l’appel d’un module déconseillé.

Résolution: Remplacez le module déconseillé par un module pris en charge. Consultez le journal de sortie du module pour déterminer quel module utiliser à la place.

Messages d’exception
Accès à un module déconseillé.
Le module « {0} » est déconseillé. Utilisez le module « {1} » à la place.

Erreur 0041

Une exception se produit lors de l’appel d’un module dont l’utilisation est déconseillée.

Cette erreur dans Machine Learning est produite lors de l’appel d’un module déconseillé.

Résolution: Remplacez le module déconseillé par un ensemble de versions prises en charge. Ces informations doivent être visibles dans le journal de sortie du module.

Messages d’exception
Accès à un module déconseillé.
Le module « {0} » est déconseillé. Utilisez les modules « {1} » pour les fonctionnalités demandées.

Erreur 0042

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

Cette erreur dans Machine Learning se produit lorsqu’il n’est pas possible de convertir une colonne en type spécifié. Vous recevez cette erreur si un module nécessite un type de données particulier, comme la date, l’heure, du texte, un nombre à virgule flottante ou un nombre entier, mais qu’il n’est pas possible de convertir une colonne existante vers le 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 module 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.
    • Examinez les colonnes de texte à la recherche de caractères non unicode, de caractères de tabulation ou de 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 les modules Execute R Script ou Execute Python Script pour effectuer le 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 :

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 module 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 une colonne de type {0} en colonne de type {1}.
Impossible de convertir la colonne « {2} » de type {0} en colonne de type {1}.
Impossible de convertir la colonne « {2} » de type {0} en colonne « {3} » de type {1}.

Erreur 0043

Une exception se produit lorsque le type d’élément n’implémente pas explicitement Equals.

Cette erreur dans Machine Learning n’est pas utilisée et sera déconseillée.

Résolution : Aucun.

Messages d’exception
Aucune méthode Equals explicite accessible n’a été trouvée.
Impossible de comparer les valeurs pour la colonne \"{0}\ » de type {1}. Aucune méthode Equals explicite accessible n’a été trouvée.

Erreur 0044

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

Cette erreur dans Machine Learning se produit lorsqu’il n’est pas possible de déduire le type d’une colonne ou de colonnes 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 Machine Learning n’est pas en mesure de déterminer un type commun capable de représenter toutes les valeurs d’une colonne ou d’une colonne sans perte d’informations, elle 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 « {0} »--tous les éléments sont des références null.
Impossible de dériver le type d’élément pour la colonne « {0} » du jeu de données « {1} » --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 dans Machine Learning est produite 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 une colonne avec l’ID « {0} » comportant les types d’élément combinés suivants :\n\tType de données[{1}, {0}] : {2}\n\tType de données [{3}, {0}] : {4}.

Erreur 0046

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

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

Résolution : Réexaminez le module et vérifiez que le chemin d’accès du répertoire est correctement formaté et qu’il est accessible avec les informations d’identification actuelles.

Messages d’exception
Spécifiez un répertoire de sortie valide.
Répertoire : {0} ne peut pas être créé. Spécifiez un chemin d’accès valide.

Erreur 0047

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

Cette erreur dans 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: Revisitez le jeu de données d’entrée pour vous assurer qu’il y a une ou plusieurs colonnes supplémentaires en dehors 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 fonctionnalités du jeu de données d’entrée est inférieur au minimum autorisé de {0} colonne(s).
Le nombre de colonnes de fonctionnalités du jeu de données d’entrée « {0} » est inférieur au minimum autorisé de {1} colonne(s).

Erreur 0048

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

Cette erreur dans 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 : Réexaminez le module 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.

Si vous essayez de lire un fichier image, assurez-vous qu’il répond aux exigences des fichiers image en termes de taille, de nombre de pixels, etc. Pour plus d’informations, consultez Importer des images.

Messages d’exception
Impossible d’ouvrir un fichier.
Erreur lors de l’ouverture du fichier : {0}.

Erreur 0049

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

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

Résolution : Réexaminez le module et corrigez la sélection du format de fichier s’il ne correspond pas au format du fichier. Si possible, inspectez le fichier pour confirmer qu’il ne contient aucun caractère non autorisé.

Messages d’exception
Impossible d’analyser un fichier.
Erreur lors de l’analyse du fichier : {0}.

Erreur 0050

Une exception se produit dans le cas où les fichiers d’entrée et de sortie sont identiques.

Résolution: Cette erreur dans Machine Learning n’est pas utilisée et sera déconseillée.

Messages d’exception
Les fichiers spécifiés pour l’entrée et la sortie doivent être différents.

Erreur 0051

Une exception se produit dans le cas où plusieurs fichiers de sortie sont identiques.

Résolution: Cette erreur dans Machine Learning n’est pas utilisée et sera déconseillée.

Messages d’exception
Les fichiers spécifiés pour les sorties ne peuvent pas être identiques.

Erreur 0052

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

Cette erreur dans Machine Learning se produit 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 module 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 Machine Learning est produite 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 0054

Une exception se produit s’il y a trop peu de valeurs distinctes dans la colonne pour terminer l’opération.

Résolution: Cette erreur dans Machine Learning n’est pas utilisée et sera déconseillée.

Messages d’exception
Les données possèdent trop peu de valeurs distinctes dans la colonne spécifiée pour terminer l’opération.
Les données possèdent trop peu de valeurs distinctes dans la colonne spécifiée pour terminer l’opération. Le minimum requis est de {0} éléments.
Les données possèdent trop peu de valeurs distinctes dans la colonne « {1} » spécifiée pour terminer l’opération. Le minimum requis est de {0} éléments.

Erreur 0055

Une exception se produit lors de l’appel d’un module dont l’utilisation est déconseillée.

Cette erreur dans Machine Learning s’affiche si vous essayez d’appeler un module déconseillé.

Résolution :

Messages d’exception
Accès à un module déconseillé.
Le module « {0} » est déconseillé.

Erreur 0056

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

Cette erreur dans 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 du type de données approprié, mais que le module que vous utilisez exige que la colonne soit également marquée comme une fonctionnalité, une étiquette ou une colonne catégorielle.

Par exemple, le module Convertir en valeurs d’indicateur nécessite que les colonnes soient catégorielles et déclenche cette erreur si vous sélectionnez une colonne de caractéristique ou une colonne d’étiquette.

Résolution :

  1. Passez en revue le type de données des colonnes actuellement sélectionnées.

  2. Déterminez si les colonnes sélectionnées sont des colonnes catégorielles, d’étiquette ou de fonctionnalités.

  3. Examinez la rubrique d’aide du module 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.

  4. 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 « {0} » 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 module Exporter les données ou d’autres modules pour enregistrer les résultats d’une expérience dans 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 ne recevez cette erreur que si vous avez préalablement défini la propriété Azure blob storage write mode (Mode écriture du stockage Blob Azure) sur Error. De par sa conception, ce module génère une erreur si vous essayez d’écrire un jeu de données dans un blob qui existe déjà.

  • Ouvrez les propriétés du module et définissez la propriété Azure blob storage write mode sur Overwrite (Remplacer).
  • Vous pouvez également saisir le nom d’un fichier ou d’un blob de destination différent et vous assurer de spécifier un blob qui n’existe pas déjà.
Messages d’exception
Le fichier ou le blob existe déjà.
Le fichier ou le blob « {0} » existe déjà.

Erreur 0058

Cette erreur dans 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 qu’elle contient des valeurs erronées. 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 et 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 module de formation.

Examinez le jeu de données d’entrée. Vérifiez que la colonne que vous vous attendez à traiter telle que l’étiquette possède 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 module Modifier les métadonnées et assurez-vous que la colonne d’étiquette est marquée en tant qu’étiquette.

Messages d’exception
La colonne d’étiquette n’est pas spécifiée comme prévu
La colonne d’étiquette n’est pas spécifiée comme prévu dans « {0} ».
La colonne « {0} » n’est pas spécifiée comme prévu dans « {1} ».

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 Machine Learning se produit si un index de colonne spécifié lors de l’utilisation du sélecteur de colonne ne peut pas être analysé. Vous recevez 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 de colonne ou la plage « {0} » 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 dans Machine Learning se produit lorsqu’une plage de colonnes hors plage est spécifiée dans le sélecteur de colonnes. Vous recevez cette erreur si la plage de colonnes figurant dans le 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 « {0} » 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 dans Machine Learning se produit lorsque vous tentez d’ajouter une ligne à un jeu de données qui a un nombre différent de colonnes que le jeu de données. Vous recevez cette erreur si la ligne qui est ajoutée au jeu de données possède un nombre de colonnes différent de celui 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.

Erreur 0062

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

Cette erreur dans 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.

Erreur 0063

Cette exception est levée lorsque l’évaluation du script R échoue avec une erreur.

Cette erreur se produit lorsque vous avez fourni un script R dans l’un des modules de langage R dans Machine Learning, et que le code R contient des erreurs de syntaxe interne. L’exception peut également se produire si vous fournissez les entrées incorrectes au script R.

L’erreur peut également se produire si le script est trop volumineux pour s’exécuter dans l’espace de travail. La taille maximale du script pour le module d’exécution de script R est de 1 000 lignes ou 32 Ko d’espace de travail, selon ce qui est inférieur.

Résolution :

  1. Dans Machine Learning Studio (classique), cliquez avec le bouton droit sur le module qui contient l’erreur, puis sélectionnez Afficher le journal.
  2. Examinez le journal des erreurs standard du module, qui contient la trace de pile.
    • Les lignes commençant par [ModuleOutput] indiquent la sortie de R.
    • Les messages de R marqués comme avertissements ne provoquent généralement pas l’échec de l’expérience.
  3. Résolvez les problèmes de script.
    • Recherchez les erreurs de syntaxe R. Recherchez les variables définies mais jamais remplies.
    • Passez en revue les données d’entrée et le script pour déterminer si les données ou les variables du script utilisent des caractères non pris en charge par Machine Learning.
    • Vérifiez si toutes les dépendances de package sont installées.
    • Vérifiez si votre code charge les bibliothèques requises qui ne sont pas chargées par défaut.
    • Vérifiez si les packages requis sont la version correcte.
    • Assurez-vous que tout jeu de données que vous souhaitez générer est converti en trame de données.
  4. Renvoyez l’expérience.

Notes

Ces rubriques contiennent des exemples de code R que vous pouvez utiliser, ainsi que des liens vers des expériences dans la galerie Cortana Intelligence qui utilisent le script R.

Messages d’exception
Erreur lors de l’évaluation du script R.
L’erreur suivante s’est produite pendant l’évaluation du script R : ---------- Début du message d’erreur de R ---------- {0} ----------- Fin du message d’erreur de R-----------
Lors de l’évaluation du script R « {1} », l’erreur suivante s’est produite : : ---------- Début du message d’erreur de R ---------- {0} ----------- Fin du message d’erreur de R-----------

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 dans Machine Learning se produit si le nom ou la clé de stockage du compte de stockage Azure est spécifié de manière incorrecte. Vous recevez cette erreur si vous entrez un nom de compte ou un mot de passe incorrect 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 Azur « {0} » 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 dans Machine Learning se produit si le nom de l’objet blob Azure est spécifié de manière incorrecte. Vous recevez l’erreur si :

  • Le blob est introuvable dans le conteneur spécifié.

  • Le nom complet de l’objet blob spécifié pour la sortie dans l’un des Learning avec les modules Nombres est supérieur à 512 caractères.

  • 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 blobs dans un conteneur n’est pas autorisée avec ces formats.

  • Une URI SAS ne contient pas le nom d’un blob valide.

Résolution : Réexaminez le module qui engendre 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 blob de stockage Azure est incorrect.
Le blob de stockage Azure « {0} » est incorrect.

Erreur 0066

Une exception se produit si une ressource n’a pas pu être téléchargée vers un blob Azure.

Cette erreur dans Machine Learning se produit si une ressource n’a pas pu être chargée sur un objet blob Azure. Vous recevrez ce message si le modèle Vowpal Wabbit 7-4 rencontre une erreur lors de l’apprentissage du modèle ou du hachage créé lors de l’apprentissage du modèle. Les deux sont sauvegardés sur le même compte de stockage Azure que le compte contenant le fichier d’entrée.

Résolution : Réexaminez le module. 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 « {0} » n’a pas pu être chargé vers le stockage Azure en tant que {1}.

Erreur 0067

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

Cette erreur dans Machine Learning se produit si un jeu de données a un nombre différent de colonnes que prévu. Vous recevrez cette erreur lorsque le nombre de colonnes du jeu de données est différent du nombre de colonnes attendu par le module 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.
« {0} » colonnes attendues mais « {1} » colonnes trouvées à la place.

Erreur 0068

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

Cette erreur dans Machine Learning se produit s’il existe des erreurs de syntaxe dans un script Hive QL 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 module et vérifiez si la requête contient des erreurs.
  • Vérifiez que la requête fonctionne correctement en dehors de 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.
Le script Hive {0} est incorrect.

Erreur 0069

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

Cette erreur dans Machine Learning se produit si le script de 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 : Réexaminez le module et vérifiez si la requête SQL contient des erreurs.

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

Si un message SQL est généré par l’exception du module, prenez les mesures 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 inclure 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 « {0} » n’est pas correcte.
La requête SQL « {0} » n’est pas correcte : {1}

Erreur 0070

Une exception se produit lorsque l’on tente d’accéder à une table Azure inexistante.

Cette erreur dans 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 module pour vérifier que le nom de la table est correct.

Messages d’exception
La table Azure n’existe pas.
La table Azure « {0} » n’existe pas.

Erreur 0071

Une exception se produit si les informations d’identification fournies sont incorrectes.

Cette erreur dans Machine Learning se produit si les informations d’identification fournies sont incorrectes.

Cette erreur peut également se produire si le module ne peut pas se connecter à un cluster HDInsight.

Résolution: Passez en revue les entrées du module et vérifiez le nom et le mot de passe du compte.

Vérifiez si les problèmes suivants peuvent provoquer une erreur :

  • Le schéma du jeu de données ne correspond pas au schéma de la table de données de destination.

  • Les noms des colonnes sont manquants ou mal orthographiés

  • Vous écrivez dans une table dont certains noms de colonne comportent des caractères non autorisés. Normalement, vous pouvez mettre ces noms de colonnes entre crochets, mais si cela ne fonctionne pas, modifiez les noms de colonne pour n’utiliser que des lettres et des caractères de soulignement (_)

  • Les chaînes que vous essayez d’écrire contiennent des guillemets simples

Si vous essayez de vous connecter à un cluster HDInsight, vérifiez que le cluster cible est accessible avec les identifiants fournis.

Messages d’exception
Des informations d’identification incorrectes sont transmises.
Un nom d’utilisateur « {0} » ou un mot de passe incorrect est transmis

Erreur 0072

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

Cette erreur dans 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, tels que 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 Machine Learning se produit lorsqu’il n’est pas possible de convertir une colonne en un autre type. Vous recevez cette erreur si un module nécessite un type particulier et qu’il n’est pas possible de convertir la colonne vers le 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 {0}.

Erreur 0074

Une exception se produit lorsque Modifier les métadonnées tente de convertir une colonne éparse en colonne catégorielle.

Cette erreur dans Machine Learning se produit lorsque la modification des métadonnées tente de convertir une colonne éparse en catégorie. Vous recevez cette erreur lorsque vous tentez de convertir des colonnes éparses en colonnes catégorielles avec l’option Make Categorical (Rendre catégorielle). Machine Learning ne prend pas en charge les tableaux catégoriels épars, le module échoue.

Résolution: Rendre la colonne dense en utilisant Convertir en jeu de données en premier ou ne pas convertir la colonne en catégorie.

Messages d’exception
Les colonnes éparses ne peuvent pas être converties en colonnes catégorielles.

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 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 de Machine Learning qui a permis plus de personnalisation des méthodes de binning. Actuellement, toutes les méthodes de compartimentage sont basées sur une sélection dans une liste déroulante, donc techniquement cette erreur ne devrait plus se produire.

Si vous obtenez cette erreur lors de l’utilisation du module Group Data into Bins, envisagez de signaler le problème dans le forum Machine Learning, en fournissant les types de données, les paramètres de paramètre et le message d’erreur exact.

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 dans Machine Learning se produit si un argument non valide est transmis dans les spécifications d’une destination ou d’une source de fichier blob.

Résolution : Dans presque tous les modules qui importent ou exportent des données vers et depuis le Stockage blob Azure, les valeurs des paramètres contrôlant le mode d’écriture sont assignées à partir d’une liste déroulante ; il n’est donc pas possible de transmettre une valeur non valide, et cette erreur ne devrait pas survenir. Cette erreur ne sera plus possible dans une version ultérieure.

Messages d’exception
Mode écriture Blob non pris en charge.
Mode écriture Blob non pris en charge : {0}.

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 dans Machine Learning se produit lorsque l’option HTTP pour Importer des données reçoit un code d’état 3xx (301, 302, 304, etc.) indiquant la redirection. Vous recevez 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, les sites web de redirection ne sont pas autorisés en tant que sources de données pour 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 dans Machine Learning se produit si le nom du conteneur de stockage Azure est spécifié incorrectement. Vous recevez cette erreur si vous n’avez pas spécifié à la fois le conteneur et le nom du blob (fichier) en utilisant l’option Path to blob beginning with container (Chemin d’accès vers le blob en commençant par le conteneur) lorsque vous écrivez dans Stockage Blob Azure.

Résolution : Réexaminez le module 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 « {0} » est incorrect ; un nom de conteneur était attendu dans le format nomconteneur/nomblob.

Erreur 0080

Une exception se produit lorsque le module n’autorise pas la présence de colonnes sans valeurs.

Cette erreur dans Machine Learning est produite lorsqu’une ou plusieurs colonnes consommées par le module contiennent toutes les valeurs manquantes. Par exemple, si un module calcule des statistiques globales pour chaque colonne, il ne peut pas fonctionner sur une colonne qui ne contient aucune donnée. Dans ce cas, l’exécution du module 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.
Aucune valeur ne figure dans la colonne {0}.

Erreur 0081

Une exception se produit dans le module 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 dans Machine Learning est produite si les conditions suivantes sont remplies : (a) le jeu de données d’entrée a au moins une colonne éparse et (b) le nombre final de dimensions demandées est identique 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. Ce cas est courant dans les applications de PCA. Pour plus d’informations, consultez Analyse du composant principal.

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 d’éléments.

Erreur 0082

Une exception se produit lorsque la désérialisation d’un modèle n’aboutit pas.

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

Résolution: L’expérience d’apprentissage qui a produit le modèle ou la transformation doit être réexécutée et le modèle ou la transformation doivent être réinscrits.

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

Une exception se produit si le jeu de données utilisé pour la formation n’est pas compatible avec un type concret d’apprenant.

Cette erreur dans Machine Learning est produite lorsque le jeu de données n’est pas compatible avec l’apprenant en cours d’apprentissage. 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 la présence d’étiquettes et peuvent générer cette exception si le jeu de données contient des étiquettes.

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.
{0} contient des données non valides pour l’apprentissage.
{0} contient des données non valides pour l’apprentissage. Type d’apprenant : {1}.

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 dans Machine Learning se produit si vous essayez d’utiliser l’un des modules pour évaluer un modèle avec la sortie d’un script R qui contient des scores.

Résolution :

Messages d’exception
L’évaluation des scores produites par R 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 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, consultez le journal de sortie pour plus d’informations : ---------- Démarrage du message d’erreur à partir {0} de l’interpréteur ---------- {1} ---------- Fin du message d’erreur de {0} l’interpréteur ----------

Erreur 0086

Une exception se produit lorsqu’une transformation de comptage n’est pas valide.

Cette erreur dans Machine Learning se produit lorsque vous sélectionnez une transformation basée sur une table de nombre, mais que la transformation sélectionnée n’est pas compatible avec les données actuelles ou avec la nouvelle table de nombre.

Résolution: Le module prend en charge l’enregistrement des nombres et des règles qui composent la transformation dans deux formats différents. Si vous fusionnez des tables de comptage, vérifiez que les deux tables que vous avez l’intention de fusionner utilisent le même format.

En général, une transformation basée sur le comptage ne peut être appliquée qu’aux jeux de données qui ont le même schéma que le jeu de données sur lequel la transformation a été initialement créée.

Pour plus d’informations, consultez Learning avec nombres. Pour connaître les exigences spécifiques à la création et à la fusion de fonctionnalités basées sur le nombre, consultez les rubriques suivantes :

Messages d’exception
Transformation de comptage non valide spécifiée.
La transformation de comptage n’est pas valide au niveau du port d’entrée « {0} ».
La transformation de comptage du port d’entrée ’{0}’ ne peut pas être fusionnée avec celle du port d’entrée’{1}’. Vérifiez les métadonnées utilisées pour le comptage des correspondances.

Erreur 0087

Une exception se produit lorsqu’un type de table de comptage non valide est spécifié pour l’apprentissage avec les modules de comptage.

Cette erreur dans Machine Learning se produit lorsque vous essayez d’importer une table de nombre existante, mais la table n’est pas compatible avec les données actuelles ou avec la nouvelle table de nombre.

Résolution: Il existe différents formats pour enregistrer les nombres et les règles qui composent la transformation. Si vous fusionnez des tables de comptage, vérifiez qu’elles utilisent toutes deux le même format.

Généralement, une transformation basée sur le comptage ne peut être appliquée qu’aux jeux de données qui ont le même schéma que le jeu de données sur lequel la transformation a été initialement créée.

Pour obtenir des informations générales, consultez Learning avec nombres. Pour connaître les exigences spécifiques à la création et à la fusion de fonctionnalités basées sur le nombre, consultez les rubriques suivantes :

Erreur 0088

Une exception se produit lorsqu’un type de comptage non valide est spécifié pour l’apprentissage avec les modules de comptage.

Cette erreur dans Machine Learning se produit lorsque vous essayez d’utiliser une méthode de comptage différente de celle prise en charge pour la caractérisation basée sur le nombre.

Résolution: En général, les méthodes de comptage sont choisies dans une liste déroulante. Vous ne devez donc pas voir cette erreur.

Pour obtenir des informations générales, consultez Learning avec nombres. Pour connaître les exigences spécifiques à la création et à la fusion de fonctionnalités basées sur le nombre, consultez les rubriques suivantes :

Messages d’exception
Un type de comptage non valide est spécifié.
Le type de comptage spécifié « {0} » n’est pas un type de comptage valide.

Erreur 0089

Une exception se produit lorsque le nombre spécifié de classes est inférieur au nombre effectif de classes dans un jeu de données utilisé pour le comptage.

Cette erreur dans Machine Learning se produit lorsque vous créez une table count et que la colonne d’étiquette contient un nombre différent de classes que vous avez spécifiées dans les paramètres du module.

Résolution: Vérifiez votre jeu de données et découvrez exactement le nombre de valeurs distinctes (classes possibles) présentes dans la colonne d’étiquette. Lorsque vous créez la table de comptage, vous devez spécifier au moins ce nombre de classes.

La table de comptage ne peut pas déterminer automatiquement le nombre de classes disponibles.

Lorsque vous créez la table de comptage, vous ne pouvez pas spécifier 0 ou tout nombre inférieur au nombre effectif de classes dans la colonne d’étiquette.

Messages d’exception
Le nombre de classes est incorrect. Assurez-vous que le nombre de classes que vous spécifiez dans le volet de paramètres est supérieur ou égal au nombre de classes dans la colonne d’étiquette.
Le nombre de classes spécifié est « {0} », qui n’est pas supérieur à une valeur d’étiquette « {1} » dans le jeu de données utilisé pour le comptage. Assurez-vous que le nombre de classes que vous spécifiez dans le volet de paramètres est supérieur ou égal au nombre de classes dans la colonne d’étiquette.

Erreur 0090

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

Cette erreur dans 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 module.

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 module.
Impossible de créer la table Hive « {0} ». 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 module.
Impossible de créer la table Hive « {0} ». Pour un cluster HDInsight, vérifiez que le nom du compte de stockage Azure associé au cluster est « {1} ».

Erreur 0100

Une exception se produit lorsqu’un langage non pris en charge est spécifié pour un module personnalisé.

Cette erreur dans Machine Learning se produit lors de la génération d’un module personnalisé et de la propriété name de l’élément Language dans un fichier de définition xml de module personnalisé a une valeur non valide. Actuellement, la seule valeur possible est R pour cette propriété. Exemple :

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

Résolution: Vérifiez que la propriété name de l’élément Language dans le fichier de définition xml de module personnalisé est définie Rsur . Enregistrez le fichier, mettez à jour le package zip du module personnalisé et essayez d’ajouter à nouveau le module personnalisé.

Messages d’exception
Langage du module personnalisé non prise en charge spécifiée

Erreur 0101

Tous les ID de port et de paramètre doivent être uniques

Cette erreur dans Machine Learning se produit quand un ou plusieurs ports ou paramètres sont affectés à la même valeur d’ID dans un fichier de définition XML de module personnalisé.

Résolution: Vérifiez que les valeurs d’ID de tous les ports et paramètres sont uniques. Enregistrez le fichier xml, mettez à jour le package zip du module personnalisé et essayez d’ajouter à nouveau le module personnalisé.

Messages d’exception
Tous les ID de port et de paramètre doivent être uniques pour un module
Le module « {0} » possède des ID de port et d’argument en double. Tous les ID de port/de paramètre doivent être uniques pour un module.

Erreur 0102

Une exception se produit lorsqu’un fichier ZIP ne peut pas être extrait.

Cette erreur dans 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 de 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. Pour plus d’informations, consultez Décompresser les jeux de données compressés.

Essayez de rajouter les fichiers souhaités dans un nouveau dossier compressé au format zip et essayez d’ajouter de nouveau le module personnalisé.

Messages d’exception
Le fichier ZIP donné n’est pas dans le format correct

Erreur 0103

Une exception se produit lorsqu’un fichier ZIP ne contient pas de fichiers .xml

Cette erreur dans Machine Learning se produit lorsque le package zip de module personnalisé ne contient aucun fichier de définition de module (.xml). Ces fichiers doivent se trouver à la racine du package zip (par exemple, pas dans un sous-dossier).

Résolution: Vérifiez qu’un ou plusieurs fichiers de définition de module xml se trouvent dans le dossier racine du package zip en l’extrayant dans un dossier temporaire sur votre lecteur de disque. Tous les fichiers xml doivent aller directement dans le dossier où vous avez extrait le package zip. Assurez-vous que lorsque vous créez le package zip que vous ne sélectionnez pas de dossier contenant des fichiers XML à zip, car cela crée un sous-dossier dans le package zip portant le même nom que le dossier que vous avez sélectionné pour zip.

Messages d’exception
Le fichier ZIP donné ne contient aucun fichier de définition de module (fichiers .xml)

Erreur 0104

Une exception se produit lorsqu’un fichier de définition de module fait référence à un script qui est introuvable

Cette erreur dans Machine Learning est levée lorsqu’un fichier de définition xml de module personnalisé fait référence à un fichier de script dans l’élément Language qui n’existe pas dans le package zip. Le chemin d’accès du fichier de script est défini dans la propriété sourceFile de l’élément Language. Le chemin d’accès au fichier source est relatif à la racine du package zip (même emplacement que les fichiers de définition xml du module). Si le fichier de script réside dans un sous-dossier, vous devez spécifier le chemin d’accès relatif à ce fichier. Par exemple, si tous les scripts étaient stockés dans un dossier myScripts dans le package zip, l’élément Language devrait ajouter ce chemin d’accès à la propriété sourceFile comme ci-dessous. Exemple :

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

Résolution: Vérifiez que la valeur de la propriété sourceFile dans l’élément Language de la définition xml du module personnalisé est correcte et que le fichier source existe dans le chemin relatif correct dans le package zip.

Messages d’exception
Le fichier de script R référencé n’existe pas.
Le fichier de script R référencé « {0} » est introuvable. Vérifiez que le chemin d’accès relatif au fichier est correct à partir de l’emplacement des définitions.

Erreur 0105

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

Cette erreur dans Machine Learning est générée lorsque vous créez une définition xml de module 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 module 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 0106

Une exception se produit lorsqu’un fichier de définition de module définit un type d’entrée non pris en charge

Cette erreur dans Machine Learning est produite lorsque le type d’un port d’entrée dans une définition XML de module personnalisé ne correspond pas à un type pris en charge.

Résolution: Assurez-vous que la propriété type d’un élément Input dans le fichier de définition XML de module personnalisé est un type pris en charge.

Messages d’exception
Type d’entrée non pris en charge.
Type d’entrée « {0} » non pris en charge spécifié.

Erreur 0107

Une exception se produit lorsqu’un fichier de définition de module définit un type de sortie non pris en charge

Cette erreur dans Machine Learning est produite lorsque le type d’un port de sortie dans une définition xml de module 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 module personnalisé est un type pris en charge.

Messages d’exception
Type de sortie non pris en charge.
Type de sortie « {0} » non pris en charge spécifié.

Erreur 0108

Une exception se produit lorsqu’un fichier de définition de module définit plus de ports d’entrée ou de sortie qu’il n’est possible de gérer

Cette erreur dans Machine Learning est générée lorsque trop de ports d’entrée ou de sortie sont définis dans une définition xml de module personnalisé.

Résolution: Vérifie que le nombre maximal de ports d’entrée et de sortie définis dans la définition xml du module personnalisé ne dépasse pas le nombre maximal de ports pris en charge.

Messages d’exception
Dépassement du nombre de ports d’entrée ou de sortie pris en charge.
Dépassement du nombre de ports « {0} » pris en charge. Le nombre maximal de ports {0} est de {1}.

Erreur 0109

Une exception se produit lorsqu’un fichier de définition de module définit un sélecteur de colonnes de façon incorrecte

Cette erreur dans Machine Learning est générée lorsque la syntaxe d’un argument de sélecteur de colonnes contient une erreur dans une définition xml de module personnalisé.

Résolution: Cette erreur est générée lorsque la syntaxe d’un argument de sélecteur de colonnes contient une erreur dans une définition xml de module personnalisé.

Messages d’exception
Syntaxe non prise en charge pour le sélecteur de colonnes.

Erreur 0110

Une exception se produit lorsqu’un fichier de définition de module définit un sélecteur de colonnes qui fait référence à un ID de port d’entrée inexistant

Cette erreur dans Machine Learning est produite lorsque la propriété portId dans l’élément Properties d’un Arg de type ColumnPicker ne correspond pas à la valeur d’ID d’un port d’entrée.

Résolution: Vérifiez que la propriété portId correspond à la valeur d’ID d’un port d’entrée défini dans la définition xml du module personnalisé.

Messages d’exception
Le sélecteur de colonnes fait référence à un ID de port d’entrée inexistant
Le sélecteur de colonnes fait référence à un ID de port d’entrée inexistant ’{0}’.

Erreur 0111

Une exception se produit lorsqu’un fichier de définition de module définit une propriété non valide

Cette erreur dans Machine Learning est générée lorsqu’une propriété non valide est affectée à un élément dans la définition XML du module personnalisé.

Résolution: Vérifiez que la propriété est prise en charge par l’élément de module personnalisé.

Messages d’exception
La définition de la propriété n’est pas valide.
La définition de la propriété « {0} » n’est pas valide.

Erreur 0112

Une exception se produit lorsqu’un fichier de définition de module ne peut pas être analysé

Cette erreur dans Machine Learning est générée lorsqu’il existe une erreur au format XML qui empêche l’analyse de la définition XML du module personnalisé sous la forme d’un fichier XML valide.

Résolution: Vérifiez que chaque élément est ouvert et fermé correctement. Assurez-vous que le formatage XML ne comporte pas d’erreur.

Messages d’exception
Impossible d’analyser le fichier de définition de module.
Impossible d’analyser le fichier de définition de module « {0} ».

Erreur 0113

Une exception se produit lorsqu’un fichier de définition de module contient des erreurs.

Cette erreur dans Machine Learning est produite lorsque le fichier de définition XML de module personnalisé peut être analysé, mais contient des erreurs, telles que la définition d’éléments non pris en charge par les modules personnalisés.

Résolution: Vérifiez que le fichier de définition de module personnalisé définit des éléments et des propriétés pris en charge par des modules personnalisés.

Messages d’exception
Le fichier de définition de module contient des erreurs.
Le fichier de définition de module « {0} » contient des erreurs.
Le fichier de définition de module « {0} » contient des erreurs. {1}

Erreur 0114

Une exception se produit en cas d’échec de la génération d’un module personnalisé.

Cette erreur dans Machine Learning est générée lorsqu’une build de module personnalisé échoue. Cela se produit lorsqu’une ou plusieurs erreurs liées aux modules personnalisés sont identifiées lors de l’ajout du module personnalisé. Les erreurs supplémentaires sont signalées au sein de ce message d’erreur.

Résolution: Résolvez les erreurs signalées dans ce message d’exception.

Messages d’exception
Impossible de générer le module personnalisé.
Les générations du module personnalisé ont échoué avec la (ou les) erreur(s) : {0}

Erreur 0115

Une exception se produit lorsqu’un script par défaut du module personnalisé possède une extension qui n’est pas prise en charge.

Cette erreur dans Machine Learning se produit lorsque vous fournissez un script pour un module personnalisé qui utilise une extension de nom de fichier inconnue.

Résolution: Vérifiez le format de fichier et l’extension de nom de fichier de tous les fichiers de script inclus dans le module personnalisé.

Messages d’exception
Extension non prise en charge pour le script par défaut.
Extension de fichier {0} non prise en charge pour le script par défaut.

Erreur 0121

Une exception se produit lors le script SQL ne parvient pas à écrire des données dans la table car celle-ci n’est pas inscriptible

Cette erreur dans Machine Learning est générée lorsque vous utilisez le module Exporter des données pour enregistrer les résultats dans une table d’une base de données SQL et que la table ne peut pas être écrite. En règle générale, cette erreur se produit si le module Exporter des données parvient à établir une connexion avec l’instance SQL Server, mais est alors incapable d’écrire le contenu du jeu de données Azure ML dans la table.

Résolution :

  • Ouvrez le volet Propriétés du module Exporter des données et vérifiez que les noms de base de données et de table sont entrés correctement.
  • Révisez le schéma du jeu de données que vous exportez et assurez-vous que les données sont compatibles avec la table de destination.
  • Vérifiez que la connexion SQL associée au nom d’utilisateur et au mot de passe est autorisée à écrire dans la table.
  • Si l’exception contient des informations d’erreur supplémentaires à partir de SQL Server, utilisez-les informations pour apporter les corrections.
Messages d’exception
Connecté au serveur, impossible d’écrire dans la table.
Impossible d’écrire dans la table SQL : {0}

Erreur 0122

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

Cette erreur dans Machine Learning se produit lorsque trop de colonnes ont été sélectionnées comme colonnes de poids.

Résolution: Passez en revue le jeu de données d’entrée et ses métadonnées. Assurez-vous qu’une seule colonne contient les pondérations.

Messages d’exception
Plusieurs colonnes de pondération sont spécifiées.

Erreur 0123

Une exception se produit si la colonne de vecteurs est spécifiée en tant que colonne d’étiquette.

Cette erreur dans Machine Learning se produit si vous utilisez un vecteur comme colonne d’étiquette.

Résolution: Modifiez le format de données de la colonne si nécessaire, ou choisissez une autre colonne.

Messages d’exception
Une colonne de vecteurs est spécifiée en tant que colonne d’étiquette.

Erreur 0124

Une exception se produit si des colonnes non numériques sont spécifiées en tant que colonne de pondération.

Résolution :

Messages d’exception
Une colonne non numérique est spécifiée en tant que colonne de pondération.

Erreur 0125

Une exception se produit lorsque les schémas de plusieurs jeux de données ne correspondent pas.

Résolution :

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

Erreur 0126

Une exception se produit si l’utilisateur spécifie un domaine SQL qui n’est pas pris en charge dans Azure ML.

Cette erreur est générée lorsque l’utilisateur spécifie un domaine SQL qui n’est pas pris en charge dans Machine Learning. Vous recevrez cette erreur si vous tentez de vous connecter à un serveur de base de données dans un domaine qui ne figure pas dans la liste autorisée. Actuellement, les domaines SQL autorisés sont : « .database.windows.net », « .cloudapp.net » et « .database.secure.windows.net ». Autrement dit, le serveur doit être un serveur SQL Azure ou un serveur dans une machine virtuelle sur Azure.

Résolution : Réexaminez le module. Vérifiez que le serveur de base de données SQL appartient à un des domaines acceptés :

  • .database.windows.net

  • .cloudapp.net

  • .database.secure.windows.net

Messages d’exception
Domaine SQL non pris en charge.
Le domaine SQL {0} n’est pas actuellement pris en charge dans Azure ML

Erreur 0127

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

Cette erreur se produit si vous lisez des images d’un jeu de données d’images à des fins de classification et que le modèle ne peut pas traiter ces images car leur taille est trop importante.

Résolution: Pour plus d’informations sur la taille de l’image et d’autres exigences, consultez les rubriques suivantes :

Messages d’exception
La taille en pixels de l’image dépasse la limite autorisée.
La taille en pixels de l’image dans le fichier « {0} » dépasse la limite autorisée : « {1} »

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 « {0} » et « {1} » posent problème.

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 « {0} » dépasse la limite autorisée.
Le nombre de colonnes du jeu de données « {0} » dépasse la limite autorisée ({1}).
Le nombre de colonnes du jeu de données « {0} » dépasse la limite autorisée « {1} » de « {2} ».

Erreur 0130

Une exception se produit lorsque toutes les lignes du jeu de données de formation contiennent des valeurs manquantes.

Cette exception se produit lorsque certaines colonnes du jeu de données de formation sont vides.

Résolution: Utilisez le module Clean Missing Data pour supprimer les colonnes avec toutes les valeurs manquantes.

Messages d’exception
Toutes les lignes du jeu de données de formation contiennent des valeurs manquantes. Utilisez le module Nettoyage des données manquantes pour corriger les valeurs manquantes.

Erreur 0131

Une exception se produit si un ou plusieurs jeux de données d’un fichier zip ne sont pas décompressés et inscrits correctement

Cette erreur se produit lorsqu’un ou plusieurs jeux de données d’un fichier zip ne sont pas décompressés et lus correctement. Vous recevez cette erreur si le décompression échoue parce que le fichier zip lui-même ou l’un des fichiers qu’il contient est endommagé ou si une erreur système survient lors de la décompression et du développement d’un fichier.

Résolution: Utilisez les détails fournis dans le message d’erreur pour déterminer comment procéder.

Messages d’exception
Le chargement de jeux de données compressés a échoué
Le jeu de données compressé {0} a échoué avec le message suivant : {1}
Le jeu de données compressé {0} a échoué avec l’exception {1} et le message suivant : {2}

Erreur 0132

Aucun nom de fichier n’a été spécifié pour la décompression ; plusieurs fichiers ont été trouvés dans le fichier zip.

Cette erreur se produit lorsque aucun nom de fichier n’a été spécifié pour la décompression ; plusieurs fichiers ont été trouvés dans le fichier zip. Vous recevez cette erreur si le fichier .zip contient plusieurs fichiers compressé alors que vous n’avez pas spécifié de fichier à extraire dans la zone de texte Dataset to Unpack (Jeu de données à extraire), dans le volet Property (Propriété) du module. Actuellement, un seul fichier peut être extrait à chaque exécution du module.

Résolution: Le message d’erreur fournit la liste des fichiers trouvés dans le fichier .zip. Copiez le nom du fichier souhaité et collez-le dans la zone de texte Dataset to Unpack (Jeu de données à extraire).

Messages d’exception
Le fichier zip contient plusieurs fichiers ; vous devez spécifier le fichier à développer.
Le fichier contient plusieurs fichiers. Spécifiez le fichier à développer. Les fichiers suivants ont été trouvés : {0}

Erreur 0133

Le fichier spécifié est introuvable dans le fichier zip

Cette erreur se produit lorsque le nom de fichier saisi dans le champ Dataset to Unpack (Jeu de données à extraire) du volet Property (Propriété) ne correspond au nom d’aucun fichier trouvé dans le fichier .zip. Les causes les plus courantes de cette erreur sont une erreur de frappe ou la recherche du fichier d’archive incorrect pour le fichier à développer.

Résolution : Réexaminez le module. Si le nom du fichier que vous souhaitez décompresser apparaît dans la liste des fichiers trouvés, copiez le nom de fichier et collez-le dans la zone de propriétés Dataset to Unpack (Jeu de données à extraire). Si le nom du fichier souhaité ne figure pas dans la liste, assurez-vous de disposer du fichier .zip correct et que celui-ci porte le nom attendu.

Messages d’exception
Le fichier spécifié n’a pas été trouvé dans le fichier zip.
Le fichier spécifié est introuvable. Fichier(s) suivant(s) trouvé(s) : {0}

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 module nécessite une colonne d’étiquette mais que vous n’en avez pas inclus dans la sélection de colonnes ou que le nombre de valeurs est trop faible dans la colonne d’étiquette.

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 module 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 colonne mais qu’elle n’est pas reconnue, utilisez le module Modifier les métadonnées pour le marquer comme colonne d’étiquette.

Utilisez le module Résumer les données pour générer un rapport qui indique le nombre de valeurs manquantes dans chaque colonne. Ensuite, vous pouvez utiliser le module 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 ; or, 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 lorsqu’une colonne d’étiquette est manquante ou possède moins de {0} lignes étiquetées.

Erreur 0135

Seul un cluster basé sur un centroïde est pris en charge.

Résolution: Vous pouvez rencontrer ce message d’erreur si vous avez tenté d’évaluer un modèle de clustering basé sur un algorithme de clustering personnalisé qui n’utilise pas de centroïdes pour initialiser le cluster.

Vous pouvez utiliser Évaluer le modèle pour évaluer les modèles de clustering basés sur le module K-Means Clustering . Pour les algorithmes personnalisés, utilisez le module Exécuter un script R pour créer un script d’évaluation personnalisé.

Messages d’exception
Seul un cluster basé sur un centroïde est pris en charge.

Erreur 0136

Aucun nom de fichier renvoyé, ce qui empêche de traiter le fichier.

Résolution :

Messages d’exception
Aucun nom de fichier renvoyé, ce qui empêche de traiter le fichier.

Erreur 0137

Le kit de développement logiciel (SDK) Stockage Microsoft Azure a rencontré une erreur de conversion entre les propriétés des tables et les colonnes des jeux de données en lecture ou en écriture.

Résolution :

Messages d’exception
Erreur de conversion entre la propriété du stockage de table Azure et la colonne du jeu de données.
Erreur de conversion entre la propriété du stockage de table Azure et la colonne du jeu de données. Informations supplémentaires : {0}

Erreur 0138

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

Cette erreur se produit lorsque le module en cours d’exécution nécessite plus de mémoire que la mémoire disponible dans le conteneur Azure. Cela peut se produire si vous travaillez avec un jeu de données volumineux et que l’opération en cours ne peut pas tenir en mémoire.

Résolution : Si vous essayez de lire un jeu de données volumineux et que l’opération n’aboutit pas, vous pouvez recourir au sous-échantillonnage du jeu de données pour y remédier.

Si vous utilisez les visualisations sur les jeux de données pour vérifier la cardinalité des colonnes, seules certaines lignes sont échantillonées. Pour obtenir un rapport complet, utilisez Résumé des données. Vous pouvez également utiliser la transformation Appliquer SQL pour rechercher le nombre de valeurs uniques dans chaque colonne.

Parfois, les charges temporaires peuvent entraîner cette erreur. La prise en charge de l’ordinateur change également au fil du temps. Consultez le FAQ Machine Learning pour obtenir une description de la taille des données prise en charge.

Essayez d’utiliser l’analyse du composant principal ou l’une des méthodes de sélection de fonctionnalités fournies pour réduire votre jeu de données à un plus petit ensemble de colonnes plus riches en fonctionnalités : Sélection des fonctionnalités

Messages d’exception
Mémoire insuffisante, ce qui empêche l’exécution complète du module.

Erreur 0139

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

Cette erreur dans Machine Learning se produit lorsque vous essayez de convertir une colonne en un type de données différent, mais ce type n’est pas pris en charge par l’opération actuelle ou par le module.

L’erreur peut également survenir lorsqu’un module tente de convertir implicitement des données pour répondre aux exigences du module actuelle mais que la conversion n’est pas possible.

Résolution :

  1. Examinez vos données d’entrée et déterminez le type de données exact de la colonne que vous voulez utiliser et le type de données de la colonne qui produit l’erreur. Parfois, vous pouvez considérer que le type de données est correct, mais constatez qu’une opération en amont a modifié le type de données ou l’utilisation d’une colonne. Utilisez le module Modifier les métadonnées pour réinitialiser les métadonnées des colonnes à leur état original.

  2. Consultez la page d’aide du module afin de vérifier la configuration requise pour l’opération spécifiée. Déterminez quels types de données sont pris en charge par le module actuel et quelle plage de valeurs est prise en charge.

  3. Si les valeurs doivent être tronquées, arrondies ou supprimées, utilisez les modules Appliquer l’opération mathématique ou les valeurs clip pour apporter des corrections.

  4. Déterminez s’il est possible de convertir ou de caster la colonne vers un autre type de données. Les modules suivants offrent tous une flexibilité et une puissance considérables pour la modification des données :

Notes

Cela ne fonctionne toujours pas ? Envisagez de fournir des commentaires supplémentaires sur le problème afin de nous aider à rédiger des instructions plus efficaces pour la résolution des problèmes. Il suffit de soumettre vos commentaires sur cette page et d’indiquer le nom du module qui a généré l’erreur, ainsi que le type de conversion de données qui a échoué.

Messages d’exception
La conversion n’est pas autorisée.
Impossible de convertir : {0}.
Impossible de convertir : {0}, à la ligne {1}.
Impossible de convertir la colonne de type {0} en colonne de type {1} sur la ligne {2}.
Impossible de convertir la colonne « {2} » de type {0}en colonne de type {1} sur la ligne {3}.
Impossible de convertir la colonne « {2} » de type {0} en colonne « {3} » de type {1} sur la ligne {4}.

Erreur 0140

Une exception se produit si l’argument du jeu de colonnes passé ne contient d’autres colonnes hormis la colonne d’étiquette.

Cette erreur se produit si vous avez connecté un jeu de données à un module qui nécessite plusieurs colonnes, notamment des fonctionnalités, mais que vous n’avez fourni que la colonne d’étiquette.

Résolution: Choisissez au moins une colonne de fonctionnalité à inclure dans le jeu de données.

Messages d’exception
Le jeu de colonnes passé ne contient pas d’autres colonnes hormis la colonne d’étiquette.

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 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 fonctionnalités et de catégories, et si le nombre de valeurs est insuffisant, l’opération peut échouer ou retourner un résultat non valide. Vérifiez le nombre de valeurs qu’il y a dans les colonnes fature et étiquette, 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 de colonnes numériques sélectionnées est trop faible et les valeurs uniques dans les colonnes catégorielles et de chaînes (actuellement {0}) doivent être au moins égales à {1}

Erreur 0142

Une exception se produit lorsque le système ne peut pas charger le certificat nécessaire à l’authentification.

Résolution :

Messages d’exception
Impossible de charger le certificat.
Impossible de charger le certificat {0}. Son empreinte est {1}.

Erreur 0143

Impossible d’analyser l’URL fournie par l’utilisateur qui est supposée provenir de GitHub.

Cette erreur dans Machine Learning se produit lorsque vous spécifiez une URL non valide et que le module nécessite une URL de GitHub valide.

Résolution: Vérifiez que l’URL fait référence à un référentiel de GitHub valide. Les autres types de site ne sont pas pris en charge.

Messages d’exception
L’URL n’émane pas de github.com.
L’URL n’émane pas de github.com : {0}

Erreur 0144

La partie attendue est manquante dans l’URL GitHub fournie par l’utilisateur.

Cette erreur dans Machine Learning se produit lorsque vous spécifiez une source de fichier GitHub à l’aide d’un format d’URL non valide.

Résolution: Vérifiez que l’URL du dépôt GitHub est valide et se termine par \blob\ ou \tree\.

Messages d’exception
Impossible d’analyser l’URL GitHub.
Impossible d’analyser GitHub URL (en attendant '\blob\' ou '\tree\' après le nom du dépôt) :{0}

Erreur 0145

Impossible de créer le répertoire de réplication pour une raison quelconque.

Cette erreur dans Machine Learning se produit lorsque le module ne parvient pas à créer le répertoire spécifié.

Résolution :

Messages d’exception
Impossible de créer le répertoire de réplication.

Erreur 0146

Lorsque les fichiers utilisateur sont décompressés dans le répertoire local, il arrive que le chemin d’accès combiné soit trop long.

Cette erreur dans Machine Learning se produit lorsque vous extrayez des fichiers, mais que certains noms de fichiers sont trop longs lorsqu’ils sont décompressés.

Résolution: Modifiez les noms de fichiers de sorte que le chemin d’accès combiné et le nom de fichier ne dépassent pas 248 caractères.

Messages d’exception
Le chemin d’accès de réplication dépasse 248 caractères, raccourcissez le nom ou le chemin d’accès du script.

Erreur 0147

Impossible de télécharger les ressources depuis GitHub pour une raison quelconque

Cette erreur dans Machine Learning se produit lorsque vous ne pouvez pas lire ou télécharger les fichiers spécifiés à partir de GitHub.

Résolution: Le problème peut être temporaire ; vous pouvez essayer d’accéder aux fichiers à un autre moment. Vous pouvez également vérifier que vous disposez des autorisations nécessaires et que la source est valide.

Messages d’exception
Erreur d’accès à GitHub.
Erreur d’accès à GitHub. {0}

Erreur 0148

Problèmes d’accès non autorisé lors de l’extraction de données ou de la création du répertoire.

Cette erreur dans Machine Learning se produit lorsque vous essayez de créer un répertoire ou de lire des données à partir du stockage, mais que vous n’avez pas les autorisations nécessaires.

Résolution :

Messages d’exception
Exception d’accès non autorisé lors de l’extraction des données.

Erreur 0149

Le fichier utilisateur n’existe pas dans l’offre groupée GitHub.

Cette erreur dans Machine Learning se produit lorsque le fichier spécifié est introuvable.

Résolution :

Messages d’exception
Le fichier GitHub est introuvable.
Le fichier GitHub est introuvable : {0}

Erreur 0150

Les scripts qui proviennent du package utilisateur n’ont pas pu être décompressés, probablement à cause d’une collision avec des fichiers GitHub.

Cette erreur dans Machine Learning se produit lorsqu’un script ne peut pas être extrait, généralement lorsqu’il existe un fichier existant du même nom.

Résolution :

Messages d’exception
Impossible de décompresser l’offre groupée ; collision de noms possible avec les fichiers GitHub.

Erreur 0151

Une erreur d’écriture dans le stockage cloud s’est produite. Vérifiez l’URL.

Cette erreur dans Machine Learning se produit lorsque le module tente d’écrire des données dans le stockage cloud, mais que l’URL n’est pas disponible ou non valide.

Résolution : vérifiez l’URL et vérifiez qu’elle est accessible en écriture.

Messages d’exception
Erreur d’écriture dans le stockage cloud (éventuellement due à une URL incorrecte).
Erreur d’écriture dans le stockage cloud : {0}. Vérifiez l’URL.

Erreur 0152

Le type de cloud Azure a été spécifié de manière incorrecte dans le contexte du module.

Messages d’exception
Type de cloud Azure incorrect
Type de cloud Azure incorrect : {0}

Erreur 0153

Le point de terminaison de stockage spécifié n’est pas valide.

Messages d’exception
Type de cloud Azure incorrect
Point de terminaison de stockage incorrect : {0}

Erreur 0154

Impossible de résoudre le nom de serveur spécifié

Messages d’exception
Impossible de résoudre le nom de serveur spécifié
Impossible de résoudre le serveur {0}.documents.azure.com spécifié

Erreur 0155

Le client DocDb a généré une exception

Messages d’exception
Le client DocDb a généré une exception
Client DocDb : {0}

Erreur 0156

Réponse incorrecte du serveur HCatalog.

Messages d’exception
Réponse incorrecte du serveur HCatalog. Vérifiez que tous les services sont en cours d’exécution.
Réponse incorrecte du serveur HCatalog. Vérifiez que tous les services sont en cours d’exécution. Détails de l’erreur : {0}

Erreur 0157

Une erreur de lecture s’est produite Azure Cosmos DB en raison de schémas de documents incohérents ou différents. Lecteur nécessite que tous les documents aient le même schéma.

Messages d’exception
Documents détectés avec des schémas différents. Assurez-vous que tous les documents possèdent le même schéma

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 module 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 Machine Learning, ainsi qu’une description du scénario, y compris les données utilisées en tant qu’entrées. Ces commentaires nous aideront à hiérarchiser les erreurs et à identifier les problèmes les plus importants qui feront l’objet de travaux ultérieurs.

Messages d’exception
Exception de la bibliothèque.
Exception de la bibliothèque : {0}
Exception de la bibliothèque {0} : {1}

Aide supplémentaire

Codes d’erreur du module

Vous avez besoin d’aide ou de conseils de dépannage supplémentaires pour Machine Learning ? Essayez ces ressources :