A tervező kivételei és hibakódjai

Ez a cikk az Azure Machine Learning Designerben található hibaüzeneteket és kivételkódokat ismerteti a gépi tanulási folyamatok hibaelhárításához.

A hibaüzenetet a tervezőben találja az alábbi lépések végrehajtásával:

• Válassza ki a sikertelen összetevőt, lépjen a Kimenetek+naplók lapra, és keresse meg a részletes naplót az azureml-logs kategória 70_driver_log.txt fájljában.

• A részletes összetevőhibát a module_statistics kategória error_info.json ellenőrizheti.

Az alábbiakban a tervező összetevőinek hibakódjai találhatók.

0001-s hiba

Kivétel akkor fordul elő, ha egy vagy több megadott adathalmazoszlop nem található.

Ez a hiba akkor jelenik meg, ha egy összetevőhöz oszlopkijelölést végez, de a kijelölt oszlop(ok) nem léteznek a bemeneti adatkészletben. Ez a hiba akkor fordulhat elő, ha manuálisan beírt egy oszlopnevet, vagy ha az oszlopválasztó olyan javasolt oszlopot adott meg, amely nem létezett az adathalmazban a folyamat futtatásakor.

Megoldás: Tekintse át a kivételt okozó összetevőt, és ellenőrizze, hogy az oszlop neve vagy neve helyes-e, és hogy az összes hivatkozott oszlop létezik-e.

Kivételüzenetek
Egy vagy több megadott oszlop nem található.
A(z) "{column_id}" nevű vagy indexelt oszlop nem található.
A(z) "{column_id}" nevű vagy indexelt oszlop nem létezik a(z) "{arg_name_missing_column}" fájlban.
A(z) "{column_id}" nevű vagy indexelt oszlop nem létezik a(z) "{arg_name_missing_column}" fájlban, de létezik a(z) "{arg_name_has_column}" fájlban.
A(z) "{column_names}" nevű vagy indexelt oszlopok nem találhatók.
A(z) "{column_names}" nevű vagy indexelt oszlopok nem léteznek a(z) "{arg_name_missing_column}" fájlban.
A(z) "{column_names}" nevű vagy indexelt oszlopok nem léteznek a(z) "{arg_name_missing_column}" fájlban, de a(z) "{arg_name_has_column}" fájlban léteznek.

0002-s hiba

Kivétel akkor fordul elő, ha egy vagy több paraméter nem elemezhető vagy konvertálható a megadott típusból a célmetódus típusa által megköveteltre.

Ez a hiba akkor fordul elő az Azure Machine Learningben, ha egy paramétert bemenetként ad meg, és az érték típusa eltér a várt típustól, és az implicit átalakítás nem hajtható végre.

Megoldás: Ellenőrizze az összetevő követelményeit, és határozza meg, hogy melyik értéktípusra van szükség (sztring, egész szám, dupla stb.)

Kivételüzenetek
Nem sikerült elemezni a paramétert.
Nem sikerült elemezni a(z) "{arg_name_or_column}" paramétert.
A(z) "{arg_name_or_column}" paraméter nem konvertálható "{to_type}" értékre.
A(z) "{arg_name_or_column}" paraméter nem konvertálható "{from_type}" értékről "{to_type}" értékre.
Nem sikerült a(z) "{arg_name_or_column}" paraméterérték "{arg_value}" paraméterének konvertálása a(z) "{from_type}" értékről "{to_type}" értékre.
A(z) "{arg_name_or_column}" oszlopban lévő "{arg_value}" értéket nem sikerült "{from_type}" értékre konvertálni a(z) "{to_type}" értékre a megadott "{fmt}" formátummal.

0003-ás hiba

Kivétel akkor fordul elő, ha egy vagy több bemenet null értékű vagy üres.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha egy összetevő bármely bemenete vagy paramétere null értékű vagy üres. Ez a hiba például akkor fordulhat elő, ha nem adott meg értéket egy paraméterhez. Ez akkor is előfordulhat, ha olyan adathalmazt választott, amely nem tartalmaz értékeket, vagy üres adathalmazt.

Megoldás:

• Nyissa meg a kivételt okozó összetevőt, és ellenőrizze, hogy az összes bemenet meg lett-e adva. Győződjön meg arról, hogy minden szükséges bemenet meg van adva.
• Győződjön meg arról, hogy az Azure Storage-ból betöltött adatok elérhetők, és hogy a fiók neve vagy kulcsa nem változott.
• Ellenőrizze a bemeneti adatokat, hogy nincsenek-e hiányzó értékek vagy null értékek.
• Ha egy adatforráson lekérdezést használ, ellenőrizze, hogy az adatok a várt formátumban vannak-e visszaadva.
• Ellenőrizze az elírásokat vagy az adatok specifikációjának egyéb változásait.

Kivételüzenetek
Egy vagy több bemenet null értékű vagy üres.
A(z) "{name}" bemenet null értékű vagy üres.

0004-s hiba

Kivétel akkor fordul elő, ha a paraméter kisebb vagy egyenlő egy adott értékkel.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha az üzenet paramétere nem éri el az összetevő által az adatok feldolgozásához szükséges határértéket.

Megoldás: A kivételt eredményező összetevő újbóli megtekintéséhez módosítsa a paramétert úgy, hogy nagyobb legyen a megadott értéknél.

Kivételüzenetek
A paraméternek nagyobbnak kell lennie a határértéknél.
A(z) "{arg_name}" paraméter értékének nagyobbnak kell lennie, mint {lower_boundary}.
A(z) "{arg_name}" paraméter értéke "{actual_value}", amelynek nagyobbnak kell lennie, mint {lower_boundary}.

0005-ös hiba

Kivétel akkor fordul elő, ha a paraméter kisebb egy adott értéknél.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha az üzenetben szereplő paraméter az adatok feldolgozásához szükséges határérték alatt van vagy egyenlő.

Megoldás: A kivételt eredményező összetevő újbóli megtekintéséhez módosítsa a paramétert a megadott értéknél nagyobb vagy egyenlő értékre.

Kivételüzenetek
A paraméternek nagyobbnak vagy egyenlőnek kell lennie a határértéknél.
A(z) "{arg_name}" paraméter értékének {lower_boundary} értéknél nagyobbnak vagy egyenlőnek kell lennie.
A(z) "{arg_name}" paraméter értéke "{value}", amelynek {lower_boundary} értéknél nagyobbnak vagy egyenlőnek kell lennie.

0006-os hiba

Kivétel akkor fordul elő, ha a paraméter nagyobb vagy egyenlő a megadott értékkel.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha az üzenetben szereplő paraméter nagyobb vagy egyenlő az összetevő által az adatok feldolgozásához szükséges határértéknél.

Megoldás: A kivételt eredményező összetevő újbóli megtekintéséhez módosítsa a paramétert úgy, hogy a megadott értéknél kisebb legyen.

Kivételüzenetek
A paraméterek nem egyeznek. Az egyik paraméternek kisebbnek kell lennie, mint egy másik.
A(z) "{arg_name}" paraméter értékének kisebbnek kell lennie, mint a(z) "{upper_boundary_parameter_name}" paraméter értéke.
A(z) "{arg_name}" paraméter értéke "{value}", amelynek kisebbnek kell lennie, mint {upper_boundary_parameter_name}.

0007-s hiba

Kivétel akkor fordul elő, ha a paraméter nagyobb egy adott értéknél.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha az összetevő tulajdonságaiban az engedélyezettnél nagyobb értéket adott meg. Megadhat például egy olyan adatot, amely kívül esik a támogatott dátumok tartományán, vagy azt is jelezheti, hogy öt oszlop használható, ha csak három oszlop érhető el.

Ez a hiba akkor is előfordulhat, ha két adatkészletet ad meg, amelyeknek valamilyen módon egyeznie kell. Ha például átnevezi az oszlopokat, és index szerint adja meg az oszlopokat, a megadott nevek számának meg kell egyeznie az oszlopindexek számával. Egy másik példa lehet egy olyan matematikai művelet, amely két oszlopot használ, ahol az oszlopoknak azonos számú sornak kell lenniük.

Megoldás:

• Nyissa meg a kérdéses összetevőt, és tekintse át a numerikus tulajdonság beállításait.
• Győződjön meg arról, hogy a paraméterértékek az adott tulajdonsághoz támogatott értéktartományba tartoznak.
• Ha az összetevő több bemenetet is használ, győződjön meg arról, hogy a bemenetek mérete azonos.

• Ellenőrizze, hogy az adathalmaz vagy az adatforrás megváltozott-e. Előfordulhat, hogy az adatok egy korábbi verziójával dolgozó érték meghiúsul, miután az oszlopok száma, az oszlop adattípusai vagy az adatok mérete megváltozott.

Kivételüzenetek
A paraméterek nem egyeznek. Az egyik paraméternek kisebbnek vagy egyenlőnek kell lennie egy másiknál.
A(z) "{arg_name}" paraméter értékének kisebbnek vagy egyenlőnek kell lennie a(z) "{upper_boundary_parameter_name}" paraméter értékénél.
A(z) "{arg_name}" paraméter értéke "{actual_value}", amelynek {upper_boundary} értéknél kisebbnek vagy egyenlőnek kell lennie.
A(z) {actual_value} "{arg_name}" paraméter értéke nem lehet kisebb vagy egyenlő a(z) {upper_boundary_parameter_name}" paraméter {upper_boundary} értékénél.
A(z) "{arg_name}" paraméter {actual_value} értékének {upper_boundary_meaning} értéke {upper_boundary} értéknél kisebbnek vagy egyenlőnek kell lennie.

0008-ás hiba

Kivétel akkor fordul elő, ha a paraméter nincs a tartományban.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha az üzenetben szereplő paraméter kívül esik az adatok feldolgozásához szükséges korlátokon.

Ez a hiba például akkor jelenik meg, ha a Sorok hozzáadása parancsot használja két, eltérő számú oszlopot tartalmazó adathalmaz összevonására.

Megoldás: A kivételt eredményező összetevő újbóli megtekintéséhez módosítsa a paramétert úgy, hogy a megadott tartományon belül legyen.

Kivételüzenetek
A paraméter értéke nincs a megadott tartományban.
A(z) "{arg_name}" paraméter értéke nincs tartományon belül.
A(z) "{arg_name}" paraméter értékének [{lower_boundary}, {upper_boundary}] tartományban kell lennie.
A(z) "{arg_name}" paraméter értéke nincs tartományon belül. {reason}

0009-s hiba

Kivétel akkor fordul elő, ha az Azure Storage-fiók neve vagy tárolóneve helytelenül van megadva.

Ez a hiba akkor fordul elő az Azure Machine Learning Designerben, ha paramétereket ad meg egy Azure Storage-fiókhoz, de a név vagy jelszó nem oldható fel. A jelszavak vagy a fióknevek hibái számos okból fordulhatnak elő:

• A fiók nem a megfelelő típus. Egyes új fióktípusok nem támogatottak a Machine Learning-tervezővel való használathoz. Részletekért lásd az Adatok importálása című témakört.
• Helytelen fióknevet adott meg
• A fiók már nem létezik
• A tárfiók jelszava helytelen vagy megváltozott
• Nem adta meg a tároló nevét, vagy a tároló nem létezik
• Nem adta meg teljesen a fájl elérési útját (a blob elérési útját)

Megoldás:

Ilyen problémák gyakran akkor fordulnak elő, ha manuálisan próbál meg megadni a fiók nevét, jelszavát vagy tároló elérési útját. Javasoljuk, hogy az Adatok importálása összetevőhöz használja az új varázslót, amely segít a nevek keresésében és ellenőrzésében.

Azt is ellenőrizze, hogy törölték-e a fiókot, a tárolót vagy a blobot. Egy másik Azure Storage-segédprogrammal ellenőrizze, hogy a fiók neve és jelszava helyesen lett-e megadva, és hogy a tároló létezik-e.

Az Azure Machine Learning nem támogat néhány újabb fióktípust. Az új "gyakori" vagy "hideg" tárolási típusok például nem használhatók gépi tanuláshoz. Az "Általános célúként" létrehozott klasszikus tárfiókok és tárfiókok egyaránt jól működnek.

Ha a blob teljes elérési útja meg van adva, ellenőrizze, hogy az elérési út tárolóként/blobnévként van-e megadva, és hogy a tároló és a blob is létezik-e a fiókban.

Az elérési út nem tartalmazhat bevezető perjelet. A /container/blob például helytelen, és tárolóként/blobként kell megadni.

Kivételüzenetek
Az Azure Storage-fiók neve vagy tárolóneve helytelen.
Az Azure Storage-fiók neve ({account_name}) vagy a(z) "{container_name}" tárolónév helytelen; a tároló/blob formátum tárolójának neve várt.

0010-s hiba

Kivétel akkor fordul elő, ha a bemeneti adatkészletek olyan oszlopnevekkel rendelkeznek, amelyeknek egyezniük kell, de nem.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha az üzenet oszlopindexe eltérő oszlopnevekkel rendelkezik a két bemeneti adatkészletben.

Megoldás: Metaadatok szerkesztése vagy az eredeti adatkészlet módosítása a megadott oszlopindex azonos oszlopnevének megadásához.

Kivételüzenetek
A bemeneti adathalmazokban a megfelelő indexet tartalmazó oszlopoknak eltérő nevük van.
Az oszlopnevek nem azonosak a bemeneti adathalmazok ({dataset1} és {dataset2} nulla alapú) {col_index} oszlopában.

0011-s hiba

Kivétel akkor fordul elő, ha az átadott oszlopkészlet argumentum egyik adathalmazoszlopra sem vonatkozik.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha a megadott oszlopkijelölés nem egyezik az adott adathalmaz egyik oszlopával sem.

Ez a hiba akkor is jelenhet meg, ha még nem jelölt ki egy oszlopot, és legalább egy oszlopra van szükség az összetevő működéséhez.

Megoldás: Módosítsa az összetevő oszlopkijelölését úgy, hogy az az adathalmaz oszlopaira vonatkozjon.

Ha az összetevő megköveteli egy adott oszlop (például címkeoszlop) kiválasztását, ellenőrizze, hogy a jobb oldali oszlop van-e kiválasztva.

Ha nem megfelelő oszlopok vannak kijelölve, távolítsa el őket, és futtassa újra a folyamatot.

Kivételüzenetek
A megadott oszlopkészlet egyetlen adathalmazoszlopra sem vonatkozik.
A megadott "{column_set}" oszlopkészlet egyik adathalmazoszlopra sem vonatkozik.

0012-s hiba

Kivétel akkor fordul elő, ha az osztálypéldány nem hozható létre átadott argumentumkészlettel.

Megoldás: Ezt a hibát a felhasználó nem tudja elhárítani, és egy későbbi kiadásban elavul.

Kivételüzenetek
Nem betanított modell, először tanítsa be a modellt.
A nem betanított modell ({arg_name}) használjon betanított modellt.

0013-ás hiba

Kivétel akkor fordul elő, ha az összetevőnek átadott tanuló érvénytelen típus.

Ez a hiba akkor fordul elő, ha egy betanított modell nem kompatibilis a csatlakoztatott pontozási összetevővel.

Megoldás:

Határozza meg a betanítási összetevő által előállított tanuló típusát, és határozza meg a tanulónak megfelelő pontozási összetevőt.

Ha a modellt valamelyik speciális betanítási összetevővel képezték be, a betanított modellt csak a megfelelő speciális pontozási összetevőhöz csatlakoztassa.

Modell típusa	Betanítási összetevő	Pontozási összetevő
bármely osztályozó	Modell betanítása	Modell pontszáma
bármilyen regressziós modell	Modell betanítása	Modell pontszáma

Kivételüzenetek
A rendszer érvénytelen típusú tanulót ad át.
A(z) "{arg_name}" tanuló típusa érvénytelen.
A(z) "{arg_name}" tanuló típusa érvénytelen: "{learner_type}".
A rendszer érvénytelen típusú tanulót ad át. Kivételüzenet: {exception_message}

0014-s hiba

Kivétel akkor fordul elő, ha az oszlop egyedi értékeinek száma nagyobb az engedélyezettnél.

Ez a hiba akkor fordul elő, ha egy oszlop túl sok egyedi értéket tartalmaz, például azonosítóoszlopot vagy szövegoszlopot. Ez a hiba akkor jelenhet meg, ha azt adja meg, hogy egy oszlop kategorikus adatként legyen kezelve, de túl sok egyedi érték van az oszlopban ahhoz, hogy a feldolgozás befejeződjön. Ez a hiba akkor is előfordulhat, ha két bemenet egyedi értékeinek száma nem egyezik.

Az egyedi értékek hibája nagyobb az engedélyezettnél, ha mindkét feltétel teljesül:

• Egy oszlop több mint 97%-a egyedi érték, ami azt jelenti, hogy szinte minden kategória különbözik egymástól.
• Egy oszlop több mint 1000 egyedi értékkel rendelkezik.

Megoldás:

Nyissa meg a hibát okozó összetevőt, és azonosítsa a bemenetként használt oszlopokat. Egyes összetevők esetében kattintson a jobb gombbal az adathalmaz bemenetére, és válassza a Vizualizáció lehetőséget az egyes oszlopok statisztikáinak lekéréséhez, beleértve az egyedi értékek számát és eloszlását.

A csoportosításhoz vagy kategorizáláshoz használni kívánt oszlopok esetében végezze el a lépéseket az oszlopok egyedi értékeinek számának csökkentéséhez. Az oszlop adattípusától függően különböző módokon csökkenthető.

A modell betanítása során nem értelmezhető azonosítóoszlopok esetében a Metaadatok szerkesztése funkcióval jelölheti meg az oszlopot Clear funkcióként, és a modell betanítása során nem fogja használni.

Szövegoszlopok esetén használhatja a funkciókivonat-készítést, vagy az N-Gram-szolgáltatások kinyerését a Szöveg összetevőből a szövegoszlopok előfeldolgozásához.

Tipp.

Nem található a forgatókönyvnek megfelelő megoldás? Erről a témakörről visszajelzést küldhet, amely tartalmazza a hibát okozó összetevő nevét, valamint az oszlop adattípusát és számosságát. Az információkat arra használjuk, hogy célzottabb hibaelhárítási lépéseket biztosítsunk a gyakori forgatókönyvekhez.

Kivételüzenetek
Az oszlop egyedi értékeinek mennyisége nagyobb, mint megengedett.
A(z) "{column_name}" oszlopban lévő egyedi értékek száma nagyobb az engedélyezettnél.
A(z) "{column_name}" oszlop egyedi értékeinek száma meghaladja a(z) {limitation} rekordszámát.

0015-ös hiba

Kivétel akkor fordul elő, ha az adatbázis-kapcsolat meghiúsult.

Ez a hiba akkor jelenik meg, ha helytelen SQL-fióknevet, jelszót, adatbázis-kiszolgálót vagy adatbázisnevet ad meg, vagy ha az adatbázissal vagy a kiszolgálóval kapcsolatos problémák miatt nem hozható létre kapcsolat az adatbázissal.

Megoldás: Ellenőrizze, hogy helyesen adta-e meg a fiók nevét, jelszavát, adatbázis-kiszolgálóját és adatbázisát, és hogy a megadott fiók rendelkezik-e a megfelelő szintű engedélyekkel. Ellenőrizze, hogy az adatbázis jelenleg elérhető-e.

Kivételüzenetek
Hiba történt az adatbázis-kapcsolat létrehozásakor.
Hiba történt az adatbázis-kapcsolat létrehozásakor: {connection_str}.

0016-os hiba

Kivétel akkor fordul elő, ha az összetevőnek átadott bemeneti adathalmazoknak kompatibilis oszloptípusokkal kell rendelkezniük, de nem.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha a két vagy több adathalmazban átadott oszlopok típusai nem kompatibilisek egymással.

Megoldás: Metaadatok szerkesztése vagy az eredeti bemeneti adatkészlet módosítása annak biztosításához, hogy az oszlopok típusai kompatibilisek legyenek.

Kivételüzenetek
A bemeneti adathalmazokban megfelelő indexet tartalmazó oszlopok nem kompatibilis típusok.
A(z) "{first_col_names}" oszlopok nem kompatibilisek a betanított és a tesztelési adatok között.
A(z) "{first_col_names}" és a "{second_col_names}" oszlop nem kompatibilis.
Az oszlopelem-típusok nem kompatibilisek a bemeneti adatkészletek ({first_dataset_names} és {second_dataset_names} nulla alapú) "{first_col_names}" oszlopával.

0017-s hiba

Kivétel akkor fordul elő, ha egy kijelölt oszlop olyan adattípust használ, amelyet az aktuális összetevő nem támogat.

Előfordulhat például, hogy ez a hiba az Azure Machine Learningben jelenik meg, ha az oszlop kiválasztása olyan adattípusú oszlopot tartalmaz, amelyet az összetevő nem tud feldolgozni, például egy matematikai művelet sztringoszlopát, vagy egy pontszámoszlopot, ahol kategorikus funkcióoszlopra van szükség.

Megoldás:

1. Azonosítsa a problémát okozó oszlopot.
2. Tekintse át az összetevő követelményeit.
3. Módosítsa az oszlopot úgy, hogy megfeleljen a követelményeknek. Előfordulhat, hogy az oszloptól és a megkísérlendő átalakítástól függően az alábbi összetevők közül többre is szükség lehet a módosítások elvégzéséhez:
   • A Metaadatok szerkesztése funkcióval módosíthatja az oszlopok adattípusát, vagy módosíthatja az oszlophasználatot funkcióról numerikusra, kategorikusra nem kategorikusra stb.

4. Végső megoldásként előfordulhat, hogy módosítania kell az eredeti bemeneti adatkészletet.

Tipp.

Nem található a forgatókönyvnek megfelelő megoldás? Erről a témakörről visszajelzést küldhet, amely tartalmazza a hibát okozó összetevő nevét, valamint az oszlop adattípusát és számosságát. Az információkat arra használjuk, hogy célzottabb hibaelhárítási lépéseket biztosítsunk a gyakori forgatókönyvekhez.

Kivételüzenetek
Az aktuális típusú oszlop nem dolgozható fel. Az összetevő nem támogatja a típust.
A(z) {col_type} típusú oszlop nem dolgozható fel. Az összetevő nem támogatja a típust.
A(z) {col_type} típusú "{col_name}" oszlop nem dolgozható fel. Az összetevő nem támogatja a típust.
A(z) {col_type} típusú "{col_name}" oszlop nem dolgozható fel. Az összetevő nem támogatja a típust. Paraméter neve: {arg_name}.

0018-ás hiba

Kivétel akkor fordul elő, ha a bemeneti adathalmaz érvénytelen.

Megoldás: Ez a hiba az Azure Machine Learningben számos környezetben jelenhet meg, ezért egyetlen megoldás sincs. A hiba általában azt jelzi, hogy az összetevő bemeneteként megadott adatok nem megfelelő számú oszlopot tartalmaznak, vagy hogy az adattípus nem felel meg az összetevő követelményeinek. Példa:

• Az összetevőhöz címkeoszlop szükséges, de egyetlen oszlop sincs címkeként megjelölve, vagy még nem jelölt ki címkeoszlopot.

• Az összetevő megköveteli, hogy az adatok kategorikusak legyenek, de az adatok numerikusak.

• Az adatok formátuma nem megfelelő.

• Az importált adatok érvénytelen karaktereket, hibás értékeket vagy tartományon kívüli értékeket tartalmaznak.

• Az oszlop üres, vagy túl sok hiányzó értéket tartalmaz.

A követelmények és az adatok meghatározásához tekintse át az adathalmazt bemenetként használó összetevő súgócikkét.

.

Kivételüzenetek
Az adathalmaz érvénytelen.
A(z) {dataset1} érvénytelen adatokat tartalmaz.
A(z) {dataset1} és {dataset2} oszlopban konzisztensnek kell lennie.
A(z) {dataset1} érvénytelen adatokat tartalmaz( {reason}).
A(z) {dataset1} tartalmazza a(z) {invalid_data_category}. {troubleshoot_hint}
A(z) {dataset1} érvénytelen, {reason}. {troubleshoot_hint}

0019-s hiba

Kivétel akkor fordul elő, ha az oszlop várhatóan rendezett értékeket tartalmaz, de nem.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha a megadott oszlopértékek nem megfelelőek.

Megoldás: Rendezze az oszlopértékeket a bemeneti adatkészlet manuális módosításával és az összetevő újrafuttatásával.

Kivételüzenetek
Az oszlop értékei nincsenek rendezve.
A(z) "{col_index}" oszlop értékei nincsenek rendezve.
A(z) "{dataset}" adathalmaz "{col_index}" oszlopában lévő értékek nincsenek rendezve.
A(z) "{arg_name}" argumentum értékei nem "{sorting_order}" sorrendben vannak rendezve.

0020-ás hiba

Kivétel akkor fordul elő, ha az összetevőnek átadott adathalmazok egy részének oszlopainak száma túl kicsi.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha nincs elegendő oszlop kiválasztva egy összetevőhöz.

Megoldás: Ellenőrizze újra az összetevőt, és győződjön meg arról, hogy az oszlopválasztó megfelelő számú oszlopot jelölt ki.

Kivételüzenetek
A bemeneti adathalmaz oszlopainak száma a megengedettnél kisebb.
A(z) "{arg_name}" bemeneti adathalmaz oszlopainak száma kisebb a megengedettnél.
A bemeneti adathalmaz oszlopainak száma kisebb, mint a megengedett {required_columns_count} oszlop(ok).
A(z) "{arg_name}" bemeneti adatkészlet oszlopainak száma kisebb, mint a megengedett {required_columns_count} oszlop(ok).

0021-s hiba

Kivétel akkor fordul elő, ha az összetevőnek átadott adathalmazok bizonyos sorainak száma túl kicsi.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha nincs elegendő sor az adathalmazban a megadott művelet végrehajtásához. Előfordulhat például, hogy ez a hiba akkor jelenik meg, ha a bemeneti adatkészlet üres, vagy ha olyan műveletet próbál végrehajtani, amely legalább néhány sor érvényességét igényli. Az ilyen műveletek közé tartozhat (de nem kizárólag) statisztikai módszereken alapuló csoportosítás vagy besorolás, bizonyos típusú binning és a számokkal való tanulás.

Megoldás:

• Nyissa meg a hibát visszaküldött összetevőt, és ellenőrizze a bemeneti adatkészletet és az összetevő tulajdonságait.
• Ellenőrizze, hogy a bemeneti adatkészlet nem üres-e, és hogy elegendő adatsor van-e az összetevő súgójában leírt követelményeknek való megfeleléshez.
• Ha az adatok külső forrásból vannak betöltve, győződjön meg arról, hogy az adatforrás elérhető, és hogy az adatdefinícióban nincs olyan hiba vagy változás, amely miatt az importálási folyamat kevesebb sort kapna.
• Ha olyan műveletet hajt végre az összetevő adatfolyamán, amely hatással lehet az adatok típusára vagy az értékek számára, például a tisztítási, felosztási vagy illesztési műveletekre, ellenőrizze ezeknek a műveleteknek a kimenetét a visszaadott sorok számának meghatározásához.

Kivételüzenetek
A bemeneti adathalmaz sorainak száma kisebb a megengedettnél.
A bemeneti adatkészlet sorainak száma kisebb, mint a megengedett {required_rows_count} sor(ok).
A bemeneti adatkészlet sorainak száma kisebb, mint a megengedett {required_rows_count} sor(ok). {reason}
A(z) "{arg_name}" bemeneti adatkészlet sorainak száma kisebb, mint a megengedett {required_rows_count} sor(ok).
A(z) "{arg_name}" bemeneti adatkészlet sorainak száma {actual_rows_count}, a megengedettnél kevesebb {required_rows_count} sor(ok).
A(z) "{arg_name}" bemeneti adatkészlet "{row_type}" sorainak száma {actual_rows_count}, a megengedettnél kevesebb {required_rows_count} sor(ok).

0022-s hiba

Kivétel akkor fordul elő, ha a bemeneti adathalmaz kijelölt oszlopainak száma nem egyenlő a várt számmal.

Ez a hiba akkor fordulhat elő az Azure Machine Learningben, ha az alsóbb rétegbeli összetevő vagy művelet meghatározott számú oszlopot vagy bemenetet igényel, és túl kevés vagy túl sok oszlopot vagy bemenetet adott meg. Példa:

• Egyetlen címkeoszlopot vagy kulcsoszlopot ad meg, és véletlenül több oszlopot jelölt ki.

• Átnevezi az oszlopokat, de több vagy kevesebb nevet ad meg, mint amennyi oszlop létezik.

• A forrás vagy cél oszlopainak száma megváltozott, vagy nem egyezik az összetevő által használt oszlopok számával.

• A bemenetek értékeinek vesszővel tagolt listáját adta meg, de az értékek száma nem egyezik, vagy több bemenet nem támogatott.

Megoldás: Ellenőrizze újra az összetevőt, és ellenőrizze az oszlopkijelölést, hogy a megfelelő számú oszlop legyen kiválasztva. Ellenőrizze a felsőbb rétegbeli összetevők kimeneteit és az alsóbb rétegbeli műveletek követelményeit.

Ha az egyik olyan oszlopkijelölési beállítást használta, amely több oszlopot (oszlopindexeket, minden funkciót, számokat stb.) is kijelölhet, ellenőrizze a kijelölés által visszaadott oszlopok pontos számát.

Ellenőrizze, hogy a felsőbb rétegbeli oszlopok száma vagy típusa nem változott-e.

Ha javaslatadatkészletet használ egy modell betanítása érdekében, ne feledje, hogy az ajánló korlátozott számú oszlopot vár, amelyek megfelelnek a felhasználó-elem pároknak vagy a felhasználó-elem rangsorolásának. A modell betanítása vagy a javaslatadatkészletek felosztása előtt távolítsa el a további oszlopokat. További információ: Adatok felosztása.

Kivételüzenetek
A bemeneti adathalmaz kijelölt oszlopainak száma nem egyenlő a várt számmal.
A bemeneti adathalmaz kijelölt oszlopainak száma nem egyenlő a(z) {expected_col_count} értékével.
A(z) "{selection_pattern_friendly_name}" oszlopkijelölési minta a bemeneti adathalmaz kijelölt oszlopainak számát tartalmazza, nem egyenlő a(z) {expected_col_count} értékkel.
A(z) "{selection_pattern_friendly_name}" oszlopkijelölési minta a bemeneti adatkészletben kiválasztott {expected_col_count} oszlop(ok) megadására szolgál, de a(z) {selected_col_count} oszlop(ok) ténylegesen meg vannak adva.

0023-ás hiba

Kivétel akkor fordul elő, ha a bemeneti adatkészlet céloszlopa nem érvényes az aktuális edző összetevőre.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha a céloszlop (az összetevő paramétereiben kiválasztottak szerint) nem érvényes adattípusú, az összes hiányzó értéket tartalmazza, vagy nem kategorikus a várt módon.

Megoldás: Tekintse át újra az összetevő bemenetét a címke/céloszlop tartalmának vizsgálatához. Győződjön meg arról, hogy nem minden hiányzó értékkel rendelkezik. Ha az összetevő azt várja, hogy a céloszlop kategorikus legyen, győződjön meg arról, hogy a céloszlopban több különböző érték is szerepel.

Kivételüzenetek
A bemeneti adatkészlet nem támogatott céloszlopokkal rendelkezik.
A bemeneti adatkészlet nem támogatott céloszlopot ({column_index}) támogat.
A bemeneti adatkészlet nem támogatja a(z) "{column_index}" céloszlopot a(z) {learner_type} típusú tanuló számára.

0024-s hiba

Kivétel akkor fordul elő, ha az adathalmaz nem tartalmaz címkeoszlopot.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha az összetevőhöz címkeoszlopra van szükség, és az adathalmaz nem rendelkezik címkeoszloppal. Egy pontozott adatkészlet kiértékeléséhez például általában egy címkeoszlopnak kell szerepelnie a pontossági metrikák kiszámításához.

Az is előfordulhat, hogy egy címkeoszlop található az adathalmazban, de az Azure Machine Learning nem észleli megfelelően.

Megoldás:

• Nyissa meg a hibát okozó összetevőt, és állapítsa meg, hogy van-e címkeoszlop. Az oszlop neve vagy adattípusa nem számít, ha az oszlop egyetlen eredményt (vagy függő változót) tartalmaz, amelyet előre szeretne jelezni. Ha nem biztos abban, hogy melyik oszlophoz tartozik a címke, keressen egy általános nevet, például osztályt vagy célnevet.
• Ha az adathalmaz nem tartalmaz címkeoszlopot, lehetséges, hogy a címkeoszlopot explicit módon vagy véletlenül eltávolították a felsőbb rétegből. Az is előfordulhat, hogy az adathalmaz nem egy felsőbb rétegbeli pontozási összetevő kimenete.
• Ha explicit módon meg szeretné jelölni az oszlopot címkeoszlopként, adja hozzá a Metaadatok szerkesztése összetevőt, és csatlakoztassa az adathalmazt. Csak a címkeoszlopot jelölje ki, majd a Mezők legördülő listából válassza a Címke lehetőséget.
• Ha nem a megfelelő oszlopot választja a címkeként, a mezőkbőla címke törlése lehetőséget választva kijavíthatja az oszlop metaadatait.

Kivételüzenetek
Az adathalmazban nincs címkeoszlop.
Nincs címkeoszlop a(z) "{dataset_name}" fájlban.

0025-ös hiba

Kivétel akkor fordul elő, ha az adathalmaz nem tartalmaz pontszámoszlopot.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha a kiértékelt modell bemenete nem tartalmaz érvényes pontszámoszlopokat. A felhasználó például megkísérli kiértékelni az adathalmazt, mielőtt helyes betanított modellel pontozott volna, vagy a pontszám oszlopa explicit módon fel lett dobva az adatfolyamba. Ez a kivétel akkor is előfordul, ha a két adathalmaz pontszámoszlopai nem kompatibilisek. Előfordulhat például, hogy egy lineáris regresszor pontosságát egy bináris osztályozóval próbálja összehasonlítani.

Megoldás: Vizsgálja meg újra a kiértékelt modell bemenetét, és vizsgálja meg, hogy tartalmaz-e egy vagy több pontszámoszlopot. Ha nem, akkor az adathalmaz nem lett beállítva, vagy a pontszámoszlopok egy felsőbb rétegbeli összetevőben lettek elvetve.

Kivételüzenetek
Az adathalmazban nincs pontszámoszlop.
A(z) "{dataset_name}" fájlban nincs pontszámoszlop.
A(z) "{dataset_name}"-ban nincs olyan pontszámoszlop, amelyet a(z) "{learner_type}" állít elő. Pontozza az adathalmazt a megfelelő tanulótípussal.

0026-os hiba

Kivétel akkor fordul elő, ha az azonos nevű oszlopok nem engedélyezettek.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha több oszlop neve azonos. Ennek a hibának az egyik módja, ha az adathalmaz nem tartalmaz fejlécsort, és az oszlopnevek automatikusan hozzá vannak rendelve: Col0, Col1 stb.

Megoldás: Ha az oszlopok neve megegyezik, szúrjon be egy Metaadat szerkesztése összetevőt a bemeneti adatkészlet és az összetevő közé. A Metaadatok szerkesztése oszlopválasztóval jelölje ki az átnevezni kívánt oszlopokat, és írja be az új neveket az Új oszlopnevek szövegmezőbe.

Kivételüzenetek
Az argumentumokban egyenlő oszlopnevek vannak megadva. Az összetevő nem engedélyezi az egyenlő oszlopneveket.
A(z) "{arg_name_1}" és "{arg_name_2}" argumentumban lévő egyenlő oszlopnevek nem engedélyezettek. Adjon meg különböző neveket.

0027-s hiba

Kivétel akkor fordul elő, ha két objektumnak azonos méretűnek kell lennie, de nem.

Ez az Azure Machine Learning gyakori hibája, amelyet számos feltétel okozhat.

Megoldás: Nincs konkrét megoldás. Az alábbiakhoz hasonló feltételeket azonban ellenőrizheti:

• Ha oszlopokat nevez át, győződjön meg arról, hogy minden lista (a bemeneti oszlopok és az új nevek listája) ugyanannyi elemből áll.

• Ha két adathalmazt csatlakozik vagy összefűz, győződjön meg arról, hogy ugyanazzal a sémával rendelkeznek.

• Ha két, több oszlopot tartalmazó adathalmazt csatlakozik, győződjön meg arról, hogy a kulcsoszlopok adattípusa megegyezik, és válassza az Ismétlődések engedélyezése és az oszlopsorrend megőrzése lehetőséget a kijelölésben.

Kivételüzenetek
Az átadott objektumok mérete inkonzisztens.
A(z) "{friendly_name1}" mérete nem felel meg a(z) "{friendly_name2}" méretnek.

0028-ás hiba

Kivétel akkor fordul elő, ha az oszlopkészlet ismétlődő oszlopneveket tartalmaz, és nem engedélyezett.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha az oszlopnevek duplikálva vannak; vagyis nem egyedi.

Megoldás: Ha bármelyik oszlopnak ugyanaz a neve, adjon hozzá egy metaadat-szerkesztési példányt a bemeneti adatkészlet és a hibát növelő összetevő között. A Metaadatok szerkesztése oszlopválasztóval jelölje ki az átnevezni kívánt oszlopokat, és írja be az új oszlopneveket az Új oszlopnevek szövegmezőbe. Ha több oszlopot nevez át, győződjön meg arról, hogy az Új oszlopnevekben beírt értékek egyediek.

Kivételüzenetek
Az oszlopkészlet ismétlődő oszlopnevet tartalmaz.
A(z) "{duplicated_name}" név duplikálva van.
A(z) "{duplicated_name}" név duplikálva van a következőben: "{arg_name}".
A(z) "{duplicated_name}" név duplikálva van. Részletek: {details}

0029-s hiba

Kivétel akkor fordul elő, ha érvénytelen URI-t ad át.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha érvénytelen URI-t ad át. Ez a hiba akkor jelenik meg, ha az alábbi feltételek bármelyike teljesül:

• Az Azure Blob Storage-hoz az olvasáshoz vagy íráshoz biztosított nyilvános vagy SAS URI hibát tartalmaz.

• Az SAS időablaka lejárt.

• A HTTP-forráson keresztüli webes URL-cím egy fájlt vagy egy visszacsatolási URI-t jelöl.

• A HTTP-en keresztüli webes URL-cím helytelenül formázott URL-címet tartalmaz.

• Az URL-címet a távoli forrás nem tudja feloldani.

Megoldás: Vizsgálja meg újra az összetevőt, és ellenőrizze az URI formátumát. Ha az adatforrás egy HTTP-n keresztüli webes URL-cím, ellenőrizze, hogy a kívánt forrás nem fájl vagy visszacsatolási URI (localhost).

Kivételüzenetek
A rendszer érvénytelen URI-t ad át.
A(z) "{invalid_url}" URI érvénytelen.

0030-ás hiba

Kivétel akkor fordul elő, ha nem lehet letölteni egy fájlt.

Ez a kivétel az Azure Machine Learningben akkor fordul elő, ha nem lehet letölteni egy fájlt. Ez a kivétel akkor jelenik meg, ha egy HTTP-forrásból való olvasási kísérlet három (3) újrapróbálkozási kísérlet után meghiúsult.

Megoldás: Ellenőrizze, hogy a HTTP-forrás URI-ja helyes-e, és hogy a webhely jelenleg elérhető-e az interneten keresztül.

Kivételüzenetek
Nem sikerült letölteni a fájlt.
Hiba történt a fájl letöltése közben: {file_url}.

0031-s hiba

Kivétel akkor fordul elő, ha az oszlopkészlet oszlopainak száma kisebb a szükségesnél.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha a kiválasztott oszlopok száma kisebb a szükségesnél. Ez a hiba akkor jelenik meg, ha a minimálisan szükséges számú oszlop nincs kiválasztva.

Megoldás: Adjon hozzá további oszlopokat az oszlopkijelöléshez az Oszlopkijelölővel.

Kivételüzenetek
Az oszlopkészlet oszlopainak száma a szükségesnél kisebb.
Legalább {required_columns_count} oszlop(ok) megadása szükséges a(z) "{arg_name}" bemeneti argumentumhoz.
Legalább {required_columns_count} oszlop(ok) megadása szükséges a(z) "{arg_name}" bemeneti argumentumhoz. A megadott oszlopok tényleges száma {input_columns_count}.

0032-s hiba

Kivétel akkor fordul elő, ha az argumentum nem szám.

Ez a hiba akkor jelenik meg az Azure Machine Learningben, ha az argumentum kettős vagy NaN.

Megoldás: Módosítsa a megadott argumentumot érvényes érték használatára.

Kivételüzenetek
Az argumentum nem szám.
A(z) "{arg_name}" nem szám.

0033-ás hiba

Kivétel akkor fordul elő, ha az argumentum végtelen.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha az argumentum végtelen. Ez a hiba akkor jelenik meg, ha az argumentum vagy double.NegativeInfinitydouble.PositiveInfinity.

Megoldás: Módosítsa a megadott argumentumot érvényes értékként.

Kivételüzenetek
Az argumentumnak végesnek kell lennie.
A(z) "{arg_name}" nem véges.
A(z) "{column_name}" oszlop végtelen értékeket tartalmaz.

0034-s hiba

Kivétel akkor fordul elő, ha egy adott felhasználóielem-párhoz több minősítés is tartozik.

Ez a hiba az Azure Machine Learningben akkor jelentkezik javaslatban, ha egy felhasználó-elem pár egynél több minősítési értékkel rendelkezik.

Megoldás: Győződjön meg arról, hogy a felhasználói elem pár csak egy minősítési értékkel rendelkezik.

Kivételüzenetek
Az adathalmazban lévő érték(ek) több minősítéssel is rendelkeznek.
Egynél több értékelés a(z) {user} felhasználó és a(z) {item} elem számára az előrejelzési adattáblában.
A(z) {user} felhasználó és a(z) {item} elem több minősítése a(z) {dataset} alkalmazásban.

0035-ös hiba

Kivétel akkor fordul elő, ha egy adott felhasználóhoz vagy elemhez nem adtak meg szolgáltatásokat.

Az Azure Machine Learningben ez a hiba akkor fordul elő, amikor javaslatmodellt próbál használni a pontozáshoz, de egy funkcióvektor nem található.

Megoldás:

A Matchbox-ajánlónak vannak bizonyos követelményei, amelyeket teljesíteni kell az elemfunkciók vagy a felhasználói funkciók használatakor. Ez a hiba azt jelzi, hogy hiányzik egy funkcióvektor a bemenetként megadott felhasználó vagy elem esetében. Győződjön meg arról, hogy az egyes felhasználók vagy elemek adataiban elérhető a funkciók vektora.

Ha például betanított egy javaslatmodellt olyan funkciókkal, mint a felhasználó életkora, tartózkodási helye vagy jövedelme, de most olyan új felhasználók számára szeretne pontszámokat létrehozni, akik nem voltak láthatók a betanítás során, meg kell adnia néhány egyenértékű funkciót (például életkor, hely és jövedelemértékek) az új felhasználók számára, hogy megfelelő előrejelzéseket lehessen készíteni számukra.

Ha nem rendelkezik semmilyen funkcióval ezekhez a felhasználókhoz, fontolja meg a funkciófejlesztést a megfelelő funkciók létrehozásához. Ha például nem rendelkezik egyéni felhasználói kor- vagy jövedelemértékekkel, hozzávetőleges értékeket hozhat létre a felhasználók egy csoportjához.

Tipp.

Az ön ügyére nem alkalmazható megoldás? Szívesen küld visszajelzést erről a cikkről, és tájékoztatást nyújt a forgatókönyvről, beleértve az összetevőt és az oszlop sorainak számát. Ezeket az információkat arra használjuk, hogy részletesebb hibaelhárítási lépéseket nyújtsunk a jövőben.

Kivételüzenetek
A szükséges felhasználóhoz vagy elemhez nem adtak meg szolgáltatásokat.
A(z) {required_feature_name} funkciói kötelezőek, de nincsenek megadva.

0036-os hiba

Kivétel akkor fordul elő, ha egy adott felhasználóhoz vagy elemhez több funkcióvektor is tartozik.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha egy funkcióvektor többször van definiálva.

Megoldás: Győződjön meg arról, hogy a funkcióvektor nincs többször definiálva.

Kivételüzenetek
Ismétlődő funkciódefiníció egy felhasználóhoz vagy elemhez.

0037-s hiba

Kivétel akkor fordul elő, ha több címkeoszlop van megadva, és csak egy engedélyezett.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha egynél több oszlop van kijelölve az új címkeoszlopként. A legtöbb felügyelt tanulási algoritmushoz egyetlen oszlopot kell megjelölni célként vagy címkeként.

Megoldás: Mindenképpen jelöljön ki egyetlen oszlopot új címkeoszlopként.

Kivételüzenetek
Több címkeoszlop is meg van adva.
A(z) "{dataset_name}" fájlban több címkeoszlop is meg van adva.

0039-s hiba

Kivétel akkor fordul elő, ha egy művelet meghiúsult.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha egy belső művelet nem hajtható végre.

Megoldás: Ezt a hibát számos feltétel okozza, és nincs konkrét megoldás.
Az alábbi táblázat a hiba általános üzeneteiből áll, amelyeket a feltétel konkrét leírása követ.

Ha nem állnak rendelkezésre adatok, a Microsoft Q&A kérdésoldalán visszajelzést küldhet, és információkat adhat meg a hibát okozó összetevőkről és a kapcsolódó feltételekről.

Kivételüzenetek
A művelet nem sikerült.
Hiba történt a(z) "{failed_operation}" művelet végrehajtása közben.
Hiba történt a(z) "{failed_operation}" művelet végrehajtása közben. Ok: "{reason}".

0042-s hiba

Kivétel akkor fordul elő, ha az oszlopot nem lehet más típusúvá alakítani.

Ez a hiba akkor fordul elő az Azure Machine Learningben, ha az oszlop nem konvertálható a megadott típusra. Ez a hiba akkor jelenik meg, ha egy összetevő egy adott adattípust igényel, például dátumot, szöveget, lebegőpontos számot vagy egész számot, de egy meglévő oszlop nem konvertálható a szükséges típusra.

Kijelölhet például egy oszlopot, és numerikus adattípussá alakíthatja át matematikai műveletekhez, és ez a hiba akkor jelenik meg, ha az oszlop érvénytelen adatokat tartalmaz.

Ez a hiba akkor is előfordulhat, ha lebegőpontos számokat vagy számos egyedi értéket tartalmazó oszlopot próbál használni kategorikus oszlopként.

Megoldás:

• Nyissa meg a hibát okozó összetevő súgóoldalát, és ellenőrizze az adattípus követelményeit.
• Tekintse át a bemeneti adathalmaz oszlopainak adattípusait.
• Vizsgálja meg az úgynevezett séma nélküli adatforrásból származó adatokat.
• Ellenőrizze az adatkészletben, hogy hiányoznak-e olyan értékek vagy speciális karakterek, amelyek blokkolhatják a kívánt adattípusra való konvertálást.
  • A numerikus adattípusoknak konzisztensnek kell lenniük: például ellenőrizze, hogy vannak-e lebegőpontos számok egész számokat tartalmazó oszlopban.
  • Szövegsztringeket vagy NA-értékeket keres egy számoszlopban.
  • A logikai értékek a szükséges adattípustól függően megfelelő ábrázolásúvá alakíthatók.
  • Nem egy kódkarakterek, tabulátorkarakterek vagy vezérlőkarakterek szöveges oszlopainak vizsgálata
  • A datetime-adatoknak konzisztensnek kell lenniük a modellezési hibák elkerülése érdekében, de a törlés összetett lehet a számos formátum miatt. Fontolja meg a Python-szkript összetevőinek futtatását a törlés végrehajtásához.
• Szükség esetén módosítsa a bemeneti adathalmaz értékeit, hogy az oszlop sikeresen konvertálható legyen. A módosítás magában foglalhatja a binning, a csonkolás vagy a kerekítési műveleteket, a kiugró értékek eltávolítását vagy a hiányzó értékek számítását. A gépi tanulás néhány gyakori adatátalakítási forgatókönyvét az alábbi cikkekben tekinti meg:
  • Hiányzó adatok törlése
  • Adatok normalizálása

Tipp.

A megoldás nem egyértelmű, vagy nem alkalmazható az Ön ügyére? Szívesen küld visszajelzést erről a cikkről, és tájékoztatást nyújt a forgatókönyvről, beleértve az összetevőt és az oszlop adattípusát. Ezeket az információkat arra használjuk, hogy részletesebb hibaelhárítási lépéseket nyújtsunk a jövőben.

Kivételüzenetek
Nem engedélyezett átalakítás.
A(z) {type1} típusú oszlop nem konvertálható {type2} típusú oszlopmá.
A(z) {type1} típusú "{col_name1}" oszlop nem konvertálható {type2} típusú oszlopmá.
A(z) {type1} típusú "{col_name1}" oszlop nem konvertálható {col_name2}" típusú {type2} oszlopmá.

0044-s hiba

Kivétel akkor fordul elő, ha az oszlop elemtípusa nem származtatható a meglévő értékekből.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha nem lehet az adathalmaz oszlopainak vagy oszlopainak típusára következtetni. Ez általában akkor fordul elő, ha két vagy több adathalmazt egyesít különböző elemtípusokkal. Ha az Azure Machine Learning nem tud meghatározni egy olyan gyakori típust, amely képes az oszlopok vagy oszlopok összes értékének megjelenítésére információvesztés nélkül, akkor ez a hiba jön létre.

Megoldás: Győződjön meg arról, hogy az egyesítendő adathalmazok adott oszlopainak összes értéke azonos típusú (numerikus, logikai, kategorikus, sztring, dátum stb.), vagy ugyanahhoz a típushoz kényszeríthető.

Kivételüzenetek
Az oszlop elemtípusa nem származtatható.
A(z) "{column_name}" oszlop elemtípusa nem származtatható – az összes elem nullhivatkozás.
A(z) "{dataset_name}" adathalmaz "{column_name}" oszlopának elemtípusa nem származtatható – minden elem nullhivatkozás.

0045-ös hiba

Kivétel akkor fordul elő, ha a forrás vegyes elemtípusai miatt nem hozható létre oszlop.

Ez a hiba az Azure Machine Learningben akkor jön létre, ha az egyesítve lévő két adathalmaz elemtípusai eltérőek.

Megoldás: Győződjön meg arról, hogy az egyesítendő adathalmazok adott oszlopainak összes értéke azonos típusú (numerikus, logikai, kategorikus, sztring, dátum stb.).

Kivételüzenetek
Vegyes elemtípusú oszlop nem hozható létre.
Vegyes elemtípusok {column_id}" azonosítójú oszlopa nem hozható létre: Az adatok típusa[{row_1}, {column_id}] a következő: "{type_1}". Az adatok típusa[{row_2}, {column_id}] a következő: "{type_2}".
Vegyes elemtípusok {column_id}" azonosítójú oszlopa nem hozható létre: Írja be a(z) {chunk_id_1} adattömbbe a következőt: "{type_1}". A(z) {chunk_id_2} adattömbbe írja be a következőt: "{type_2}" adattömbmérettel: {chunk_size}.

0046-os hiba

Kivétel akkor fordul elő, ha nem lehet címtárat létrehozni a megadott elérési úton.

Ez a hiba akkor fordul elő az Azure Machine Learningben, ha nem lehet címtárat létrehozni a megadott útvonalon. Ez a hiba akkor jelenik meg, ha a Hive-lekérdezés kimeneti könyvtárának elérési útja helytelen vagy elérhetetlen.

Megoldás: Vizsgálja meg újra az összetevőt, és ellenőrizze, hogy a címtár elérési útja megfelelően van-e formázva, és hogy az elérhető-e az aktuális hitelesítő adatokkal.

Kivételüzenetek
Adjon meg érvényes kimeneti könyvtárat.
Könyvtár: {path} nem hozható létre. Adjon meg érvényes elérési utat.

0047-s hiba

Kivétel akkor fordul elő, ha az összetevőnek átadott adathalmazok némelyikében túl kicsi a funkcióoszlopok száma.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha a betanításhoz használt bemeneti adatkészlet nem tartalmazza az algoritmus által megkövetelt minimális számú oszlopot. Az adathalmaz általában üres, vagy csak betanítási oszlopokat tartalmaz.

Megoldás: Ellenőrizze, hogy a címkeoszlopon kívül egy vagy több oszlop van-e a bemeneti adatkészletben.

Kivételüzenetek
A bemeneti adatkészlet szolgáltatásoszlopainak száma a minimálisnál kevesebb.
A bemeneti adathalmaz szolgáltatásoszlopainak száma kisebb, mint a megengedett {required_columns_count} oszlop(ok).
A(z) "{arg_name}" bemeneti adatkészlet szolgáltatásoszlopainak száma kisebb, mint a megengedett {required_columns_count} oszlop(ok).

0048-ás hiba

Kivétel akkor fordul elő, ha nem lehet megnyitni egy fájlt.

Ez a hiba akkor fordul elő az Azure Machine Learningben, ha nem lehet megnyitni egy fájlt olvasásra vagy írásra. A következő okokból jelenhet meg ez a hiba:

• A tároló vagy a fájl (blob) nem létezik

• A fájl vagy tároló hozzáférési szintje nem teszi lehetővé a fájl elérését

• A fájl túl nagy az olvasáshoz, vagy nem megfelelő formátum

Megoldás: Tekintse meg újra az olvasott összetevőt és a fájlt.

Ellenőrizze, hogy a tároló és a fájl neve helyes-e.

A klasszikus Azure-portálon vagy egy Azure Storage-eszközben ellenőrizheti, hogy rendelkezik-e engedéllyel a fájl eléréséhez.

Kivételüzenetek
Nem lehet megnyitni egy fájlt.
Hiba történt a fájl megnyitásakor: {file_name}.
Hiba történt a fájl megnyitásakor: {file_name}. Tárolási kivétel üzenete: {exception}.

0049-s hiba

Kivétel akkor fordul elő, ha nem lehet elemezni egy fájlt.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha nem lehet elemezni egy fájlt. Ez a hiba akkor jelenik meg, ha az Adatok importálása összetevőben kiválasztott fájlformátum nem egyezik meg a fájl tényleges formátumával, vagy ha a fájl felismerhetetlen karaktert tartalmaz.

Megoldás: Ellenőrizze újra az összetevőt, és javítsa ki a fájlformátum-kijelölést, ha az nem egyezik a fájl formátumával. Ha lehetséges, vizsgálja meg a fájlt, és ellenőrizze, hogy nem tartalmaz-e illegális karaktereket.

Kivételüzenetek
Nem lehet elemezni egy fájlt.
Hiba történt a(z) {file_format} fájl elemzése közben.
Hiba történt a(z) {file_format} fájl elemzése közben: {file_name}.
Hiba történt a(z) {file_format} fájl elemzése közben. Ok: {failure_reason}.
Hiba történt a(z) {file_format} fájl elemzése közben: {file_name}. Ok: {failure_reason}.

0052-s hiba

Kivétel akkor fordul elő, ha az Azure Storage-fiókkulcs helytelenül van megadva.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha az Azure Storage-fiók eléréséhez használt kulcs helytelen. Ez a hiba például akkor jelenhet meg, ha az Azure Storage-kulcs csonkolva lett másolva és beillesztve, vagy ha nem a megfelelő kulcsot használták.

Az Azure Storage-fiók kulcsának lekéréséről további információt a tárelérési kulcsok megtekintése, másolása és újragenerálása című témakörben talál.

Megoldás: Vizsgálja meg újra az összetevőt, és ellenőrizze, hogy az Azure Storage-kulcs helyes-e a fiókhoz; szükség esetén másolja újra a kulcsot a klasszikus Azure-portálról.

Kivételüzenetek
Az Azure Storage-fiókkulcs helytelen.

0053-os hiba

Kivétel akkor fordul elő, ha nincsenek felhasználói funkciók vagy elemek a matchbox-javaslatokhoz.

Ez a hiba az Azure Machine Learningben akkor jön létre, ha egy funkcióvektor nem található.

Megoldás: Győződjön meg arról, hogy egy funkcióvektor található a bemeneti adathalmazban.

Kivételüzenetek
Felhasználói funkciókra vagy/és elemekre van szükség, de nincsenek megadva.

0056-os hiba

Kivétel akkor fordul elő, ha a művelethez kiválasztott oszlopok megfelelnek a követelményeknek.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha olyan művelet oszlopait választja ki, amely megköveteli, hogy az oszlop egy adott adattípusú legyen.

Ez a hiba akkor is előfordulhat, ha az oszlop a megfelelő adattípus, de a használt összetevő megköveteli, hogy az oszlop funkcióként, címkéként vagy kategorikus oszlopként is meg legyen jelölve.

Megoldás:

1. Tekintse át az aktuálisan kijelölt oszlopok adattípusát.

2. Győződjön meg arról, hogy a kijelölt oszlopok kategorikusak, címkések vagy funkcióoszlopok.

3. Tekintse át annak az összetevőnek a súgótémakörét, amelyben kiválasztotta az oszlopot, és állapítsa meg, hogy vannak-e konkrét követelmények az adattípusra vagy az oszlophasználatra vonatkozóan.

4. A Metaadatok szerkesztése parancs használatával módosíthatja a művelet időtartamára vonatkozó oszloptípust. Ha az alsóbb rétegbeli műveletekhez szüksége van rá, mindenképpen módosítsa az oszloptípust az eredeti értékére a Metaadatok szerkesztése másik példányával.

Kivételüzenetek
Egy vagy több kijelölt oszlop nem volt engedélyezett kategóriában.
A(z) "{col_name}" nevű oszlop nem engedélyezett kategóriába tartozik.

0057-ös hiba

Kivétel akkor fordul elő, ha már létező fájlt vagy blobot próbál létrehozni.

Ez a kivétel akkor fordul elő, ha az Adatok exportálása összetevőt vagy más összetevőt használja egy folyamat eredményeinek az Azure Machine Learningben az Azure Blob Storage-ba való mentéséhez, de egy már létező fájlt vagy blobot próbál létrehozni.

Megoldás:

Ez a hiba csak akkor jelenik meg, ha korábban hiba értékre állította be az Azure Blob Storage írási módját. A tervezés során ez az összetevő hibát jelez, ha egy már létező blobba próbál adathalmazt írni.

• Nyissa meg az összetevő tulajdonságait, és módosítsa az Azure Blob Storage írási módját felülírásra.
• Másik lehetőségként beírhatja egy másik célblob vagy fájl nevét, és mindenképpen adjon meg egy olyan blobot, amely még nem létezik.

Kivételüzenetek
A fájl vagy blob már létezik.
A(z) "{file_path}" fájl vagy blob már létezik.

0058-os hiba

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha az adathalmaz nem tartalmazza a várt címkeoszlopot.

Ez a kivétel akkor is előfordulhat, ha a megadott címkeoszlop nem egyezik a tanuló által várt adatokkal vagy adattípussal, vagy helytelen értékekkel rendelkezik. Ez a kivétel például akkor jön létre, ha egy bináris osztályozó betanításakor valós értékű címkeoszlopot használ.

Megoldás: A megoldás a használt tanulótól vagy oktatótól, valamint az adathalmaz oszlopainak adattípusától függ. Először ellenőrizze a gépi tanulási algoritmus vagy a betanítási összetevő követelményeit.

Nyissa meg újra a bemeneti adathalmazt. Ellenőrizze, hogy a címkeként kezelni kívánt oszlop megfelelő adattípussal rendelkezik-e a létrehozott modellhez.

Ellenőrizze a hiányzó értékeket, és szükség esetén törölje vagy cserélje le őket.

Szükség esetén adja hozzá a Metaadatok szerkesztése összetevőt, és győződjön meg arról, hogy a címkeoszlop címkeként van megjelölve.

Kivételüzenetek
A címkeoszlop értékei és a pontszámmal ellátott címkeoszlopok értékei nem összehasonlíthatók.
A címkeoszlop nem a várt módon szerepel a(z) "{dataset_name}" alkalmazásban.
A címkeoszlop nem a várt módon szerepel a(z) {dataset_name}, {reason} fájlban.
A(z) "{column_name}" címkeoszlop nem várható a(z) "{dataset_name}" fájlban.
A(z) "{column_name}" címkeoszlop nem várható a(z) {dataset_name}, {reason} fájlban.

0059-ös hiba

Kivétel akkor fordul elő, ha egy oszlopválasztóban megadott oszlopindex nem elemezhető.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha az Oszlopválasztó használatakor megadott oszlopindex nem elemezhető. Ez a hiba akkor jelenik meg, ha az oszlopindex érvénytelen formátumú, és nem elemezhető.

Megoldás: Módosítsa az oszlopindexet érvényes indexérték használatára.

Kivételüzenetek
Egy vagy több megadott oszlopindex vagy indextartomány nem elemezhető.
A(z) "{column_index_or_range}" oszlopindex vagy tartomány nem elemezhető.

0060-os hiba

Kivétel akkor fordul elő, ha a tartományon kívüli oszloptartomány van megadva egy oszlopválasztóban.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha egy tartományon kívüli oszloptartomány van megadva az Oszlopválasztóban. Ez a hiba akkor jelenik meg, ha az oszlopválasztó oszloptartománya nem felel meg az adathalmaz oszlopainak.

Megoldás: Módosítsa az oszlopválasztó oszloptartományát úgy, hogy az megfeleljen az adathalmaz oszlopainak.

Kivételüzenetek
Érvénytelen vagy tartományon kívüli oszlopindex-tartomány van megadva.
A(z) "{column_range}" oszloptartomány érvénytelen vagy tartományon kívül esik.

0061-s hiba

Kivétel akkor fordul elő, ha olyan sort próbál hozzáadni egy DataTable-hoz, amely a táblától eltérő számú oszlopot tartalmaz.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha egy olyan adathalmazhoz próbál hozzáadni egy sort, amely az adathalmaztól eltérő számú oszlopot tartalmaz. Ez a hiba akkor jelenik meg, ha az adathalmazhoz hozzáadott sor oszlopainak száma eltér a bemeneti adathalmaztól. A sor nem fűzhető hozzá az adathalmazhoz, ha az oszlopok száma eltérő.

Megoldás: Módosítsa a bemeneti adatkészletet úgy, hogy a sorhoz hozzáadott oszlopok száma azonos legyen, vagy módosítsa a hozzáadott sort úgy, hogy ugyanannyi oszlop legyen, mint az adathalmaz.

Kivételüzenetek
Minden táblának azonos számú oszlopmal kell rendelkeznie.
A(z) "{chunk_id_1}" adattömb oszlopai eltérnek a(z) "{chunk_id_2}" adattömb méretétől: {chunk_size}.
A(z) "{filename_1}" fájl oszlopszáma (count={column_count_1}) a(z) "{filename_2}" fájlban (count={column_count_2}) eltérő.

0062-s hiba

Kivétel akkor fordul elő, ha két modellt próbál összehasonlítani a különböző tanulótípusokkal.

Ez a hiba akkor jön létre az Azure Machine Learningben, ha két különböző pontozott adathalmaz kiértékelési metrikái nem hasonlíthatók össze. Ebben az esetben nem lehet összehasonlítani a két pontozott adatkészlet előállításához használt modellek hatékonyságát.

Megoldás: Ellenőrizze, hogy a pontszámot ugyanazzal a gépi tanulási modellel hozza-e létre (bináris besorolás, regresszió, többosztályos besorolás, javaslat, fürtözés, anomáliadetektálás stb.) Minden összehasonlított modellnek ugyanazzal a tanulótípussal kell rendelkeznie.

Kivételüzenetek
Minden modellnek ugyanazzal a tanulótípussal kell rendelkeznie.
Nem kompatibilis tanulótípus: "{actual_learner_type}". A tanulók várható típusai a következők: "{expected_learner_type_list}".

0064-s hiba

Kivétel akkor fordul elő, ha az Azure Storage-fiók neve vagy a tárkulcs helytelenül van megadva.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha az Azure Storage-fiók neve vagy tárkulcsa helytelenül van megadva. Ez a hiba akkor jelenik meg, ha helytelen nevet vagy jelszót ad meg a tárfiókhoz. Ez akkor fordulhat elő, ha manuálisan adja meg a fiók nevét vagy jelszavát. Ez akkor is előfordulhat, ha a fiókot törölték.

Megoldás: Ellenőrizze, hogy helyesen adta-e meg a fiók nevét és jelszavát, és hogy létezik-e a fiók.

Kivételüzenetek
Az Azure Storage-fiók neve vagy tárkulcsa helytelen.
A(z) "{account_name}" Azure Storage-fiók neve vagy a fióknévhez tartozó tárkulcs helytelen.

0065-ös hiba

Kivétel akkor fordul elő, ha az Azure-blob neve helytelenül van megadva.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha az Azure-blob neve helytelenül van megadva. A következő esetekben jelenik meg a hiba:

• A blob nem található a megadott tárolóban.

• Csak a tároló lett megadva forrásként egy Adatimportálási kérelemben, ha a formátum Excel vagy CSV volt kódolással; a tárolón belüli összes blob tartalmának összefűzése nem engedélyezett ezekkel a formátumokkal.

• Az SAS URI nem tartalmazza az érvényes blob nevét.

Megoldás: A kivételt eredményező összetevő újbóli megismétlése. Ellenőrizze, hogy a megadott blob létezik-e a tárfiók tárolójában, és hogy az engedélyek lehetővé teszik a blob megtekintését. Ellenőrizze, hogy a bemenet az űrlap tárolóneve/fájlneve-e , ha az Excel vagy a CSV kódolási formátumokkal rendelkezik. Ellenőrizze, hogy egy SAS URI tartalmazza-e egy érvényes blob nevét.

Kivételüzenetek
Az Azure Storage-blob neve helytelen.
A(z) "{blob_name}" Azure Storage-blobnév helytelen.
A(z) "{blob_name_prefix}" előtagú Azure Storage-blobnév nem létezik.
Nem található Azure Storage-blob a(z) "{container_name}" tárolóban.
Nem sikerült megtalálni a(z) "{blob_wildcard_path}" helyettesítő karaktert tartalmazó Azure Storage-blobokat.

0066-os hiba

Kivétel akkor fordul elő, ha egy erőforrás nem tölthető fel egy Azure Blobba.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha egy erőforrás nem tölthető fel egy Azure Blobba. Mindkettő ugyanabba az Azure Storage-fiókba lesz mentve, mint a bemeneti fájlt tartalmazó fiók.

Felbontás: Az összetevő újbóli megismerése. Ellenőrizze, hogy az Azure-fiók neve, a tárkulcs és a tároló helyes-e, és hogy a fiók rendelkezik-e írási engedéllyel a tárolóba.

Kivételüzenetek
Az erőforrás nem tölthető fel az Azure Storage-ba.
A(z) "{source_path}" fájl nem tölthető fel az Azure Storage-ba "{dest_path}" néven.

0067-os hiba

Kivétel akkor fordul elő, ha egy adathalmaz a vártnál eltérő számú oszlopot tartalmaz.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha egy adathalmaz a vártnál eltérő számú oszlopot tartalmaz. Ez a hiba akkor jelenik meg, ha az adathalmaz oszlopainak száma eltér az összetevő által a végrehajtás során elvárt oszlopok számától.

Megoldás: Módosítsa a bemeneti adatkészletet vagy a paramétereket.

Kivételüzenetek
Az adattábla oszlopainak váratlan száma.
Váratlan számú oszlop található a(z) "{dataset_name}" adathalmazban.
Várt "{expected_column_count}" oszlop(ok), de a(z) "{actual_column_count}" oszlop(ok)t találta meg helyette.
A(z) "{dataset_name}" bemeneti adatkészletben a(z) "{expected_column_count}" oszlop(ok) várt, de a(z) "{actual_column_count}" oszlop(ok)t találta meg helyette.

0068-os hiba

Kivétel akkor fordul elő, ha a megadott Hive-szkript nem megfelelő.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha szintaxishibák vannak egy Hive QL-szkriptben, vagy ha a Hive-értelmező hibát tapasztal a lekérdezés vagy a szkript végrehajtása során.

Megoldás:

A Hive hibaüzenetét a rendszer általában a hibanaplóban jelenti, hogy az adott hiba alapján műveletet hajthat végre.

• Nyissa meg az összetevőt, és vizsgálja meg a lekérdezés hibáit.
• Ellenőrizze, hogy a lekérdezés megfelelően működik-e az Azure Machine Learningen kívül, ha bejelentkezik a Hadoop-fürt Hive-konzoljára, és futtatja a lekérdezést.
• Próbáljon meg megjegyzéseket elhelyezni a Hive-szkriptben egy külön sorban, nem pedig egyetlen sorba keverni a végrehajtható utasításokat és a megjegyzéseket.

Források

A hive-lekérdezésekkel kapcsolatos segítségért tekintse meg a következő cikkeket a gépi tanuláshoz:

• Hive-táblák létrehozása és adatok betöltése az Azure Blob Storage-ból
• Adatok feltárása a táblákban Hive-lekérdezésekkel
• Szolgáltatások létrehozása a Hadoop-fürtök adataihoz Hive-lekérdezések használatával
• Hive for SQL Users Cheat Sheet (PDF)

Kivételüzenetek
A Hive-szkript helytelen.

0069-os hiba

Kivétel akkor fordul elő, ha a megadott SQL-szkript nem helyes.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha a megadott SQL-szkript szintaxisproblémákkal rendelkezik, vagy ha a szkriptben megadott oszlopok vagy táblák érvénytelenek.

Ez a hiba akkor jelenik meg, ha az SQL-motor bármilyen hibát tapasztal a lekérdezés vagy a szkript végrehajtása során. Az SQL-hibaüzenetet a rendszer általában a hibanaplóban jelenti, hogy az adott hiba alapján műveletet hajthat végre.

Megoldás: Vizsgálja meg újra az összetevőt, és vizsgálja meg az SQL-lekérdezés hibáit.

Ellenőrizze, hogy a lekérdezés megfelelően működik-e az Azure Machine Learningen kívül, ha közvetlenül bejelentkezik az adatbázis-kiszolgálóra, és futtatja a lekérdezést.

Ha az összetevő kivétele által jelentett SQL-üzenet jelenik meg, a jelentett hiba alapján hajtsa végre a műveletet. A hibaüzenetek például néha konkrét útmutatást is tartalmaznak a valószínű hibával kapcsolatban:

• Nincs ilyen oszlop vagy hiányzó adatbázis, ami azt jelzi, hogy helytelenül gépelt be egy oszlopnevet. Ha biztos abban, hogy az oszlop neve helyes, próbálja meg zárójelek vagy idézőjelek használatával mellékelni az oszlopazonosítót.
• SQL-logikai hiba az SQL-kulcsszó> közelében<, ami azt jelzi, hogy szintaxishiba lépett fel a megadott kulcsszó előtt

Kivételüzenetek
Az SQL-szkript helytelen.
A(z) "{sql_query}" SQL-lekérdezés nem helyes.
A(z) "{sql_query}" SQL-lekérdezés nem helyes. Kivételüzenet: {exception}.

0070-s hiba

Kivétel akkor fordul elő, ha megkísérli elérni a nem létező Azure-táblát.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha nem létező Azure-táblát próbál elérni. Ez a hiba akkor jelenik meg, ha megad egy táblát az Azure Storage-ban, amely nem létezik az Azure Table Storage-ból való olvasáskor vagy íráskor. Ez akkor fordulhat elő, ha helytelenül írja be a kívánt tábla nevét, vagy ha nem egyezik a célnév és a tároló típusa között. Például egy táblából akart olvasni, de ehelyett egy blob nevét adta meg.

Megoldás: Ellenőrizze, hogy a tábla neve helyes-e.

Kivételüzenetek
Az Azure-tábla nem létezik.
A(z) "{table_name}" Azure-tábla nem létezik.

0072-s hiba

A kapcsolat időtúllépése esetén kivétel történik.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha egy kapcsolat túllépi az időkorlátot. Ez a hiba akkor jelenik meg, ha jelenleg csatlakozási problémák lépnek fel az adatforrással vagy a célhellyel, például lassú internetkapcsolattal, vagy ha az adathalmaz nagy, és/vagy az adatokban beolvasott SQL-lekérdezés bonyolult feldolgozást végez.

Megoldás: Állapítsa meg, hogy jelenleg problémák merülnek-e fel az Azure Storage-hoz vagy az internethez való lassú kapcsolattal kapcsolatban.

Kivételüzenetek
Kapcsolat időtúllépése történt.

0073-ás hiba

Kivétel akkor fordul elő, ha egy oszlop másik típussá alakításakor hiba lép fel.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha az oszlopot nem lehet más típusúvá alakítani. Ez a hiba akkor jelenik meg, ha egy összetevő egy adott típust igényel, és az oszlop nem konvertálható az új típusra.

Megoldás: Módosítsa a bemeneti adatkészletet, hogy az oszlop a belső kivétel alapján konvertálható legyen.

Kivételüzenetek
Nem sikerült átalakítani az oszlopot.
Nem sikerült az oszlopot {target_type}-ra konvertálni.

0075-ös hiba

Kivétel akkor fordul elő, ha egy adathalmaz számszerűsítésekor érvénytelen tárolófüggvényt használnak.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha nem támogatott módszerrel próbál adatokat tárolóba csomagolni, vagy ha a paraméterkombinációk érvénytelenek.

Megoldás:

Az esemény hibakezelése az Azure Machine Learning egy korábbi verziójában jelent meg, amely lehetővé tette a tároló módszerek testreszabását. Jelenleg az összes binning metódus egy legördülő listából származó kijelölésen alapul, ezért gyakorlatilag nem lehet többé ezt a hibát lekérni.

Kivételüzenetek
Érvénytelen tárolófüggvényt használ.

0077-s hiba

Kivétel akkor fordul elő, ha ismeretlen blobfájl írási módja lejárt.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha egy blobfájl célhelyének vagy forrásának specifikációi érvénytelen argumentumot adnak át.

Megoldás: Szinte minden olyan összetevőhöz, amely adatokat importál vagy exportál az Azure Blob Storage-ba és onnan, egy legördülő listával rendeli hozzá az írási módot vezérlő paraméterértékeket, ezért érvénytelen értéket nem lehet átadni, és ez a hiba nem jelenik meg. Ez a hiba egy későbbi kiadásban elavult.

Kivételüzenetek
Nem támogatott blob írási mód.
Nem támogatott blob írási mód: {blob_write_mode}.

0078-os hiba

Kivétel akkor fordul elő, ha az Adatok importálása HTTP-beállítás egy átirányítást jelző 3xx állapotkódot kap.

Ez a hiba az Azure Machine Learningben akkor fordul elő, amikor az Adatok importálása HTTP-beállítás egy 3xx (301, 302, 304 stb.) állapotkódot kap, amely átirányítást jelez. Ez a hiba akkor jelenik meg, ha olyan HTTP-forráshoz próbál csatlakozni, amely átirányítja a böngészőt egy másik oldalra. Biztonsági okokból a webhelyek átirányítása nem engedélyezett adatforrásként az Azure Machine Learninghez.

Megoldás: Ha a webhely megbízható webhely, adja meg közvetlenül az átirányított URL-címet.

Kivételüzenetek
A HTTP-átirányítás nem engedélyezett.

0079-s hiba

Kivétel akkor fordul elő, ha az Azure Storage-tároló neve helytelenül van megadva.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha az Azure Storage-tároló neve helytelenül van megadva. Ez a hiba akkor jelenik meg, ha az Azure Blob Storage-ba való íráskor nem adta meg a tároló és a blob (fájl) nevét is a Blob elérési útja beállítással kezdődően .

Megoldás: Vizsgálja meg újra az Adatok exportálása összetevőt, és ellenőrizze, hogy a blob megadott elérési útja tartalmazza-e a tárolót és a fájlnevet is tároló/fájlnév formátumban.

Kivételüzenetek
Az Azure Storage-tároló neve helytelen.
A(z) "{container_name}" Azure Storage-tároló neve helytelen; a tároló/blob formátum tárolójának neve várt.

0080-ás hiba

Kivétel akkor fordul elő, ha az összetevő nem engedélyezi az összes hiányzó értéket tartalmazó oszlopot.

Ez a hiba az Azure Machine Learningben akkor jön létre, ha az összetevő által felhasznált egy vagy több oszlop tartalmazza az összes hiányzó értéket. Ha például egy összetevő az egyes oszlopok összesített statisztikáit számítja ki, nem tud adatokat tartalmazó oszlopon működni. Ilyen esetekben a rendszer ezzel a kivétellel leállítja az összetevők végrehajtását.

Megoldás: Nyissa meg újra a bemeneti adathalmazt, és távolítsa el az összes hiányzó értéket tartalmazó oszlopot.

Kivételüzenetek
Az összes hiányzó értéket tartalmazó oszlopok nem engedélyezettek.
A(z) {col_index_or_name} oszlopban minden érték hiányzik.

0081-s hiba

Kivétel akkor fordul elő a PCA-összetevőben, ha a csökkenteni kívánt dimenziók száma megegyezik a bemeneti adatkészletben lévő funkcióoszlopok számával, amely legalább egy ritka funkcióoszlopot tartalmaz.

Ez a hiba az Azure Machine Learningben akkor jön létre, ha teljesülnek a következő feltételek: a) a bemeneti adatkészlet legalább egy ritka oszlopmal rendelkezik, és (b) a kért dimenziók végső száma megegyezik a bemeneti dimenziók számával.

Megoldás: Fontolja meg a kimenetben lévő dimenziók számának csökkentését, hogy kevesebb legyen, mint a bemenetben lévő dimenziók száma. Ez a PCA-alkalmazásokban jellemző.

Kivételüzenetek
A ritkán használt funkcióoszlopokat tartalmazó adathalmazok esetében a méretet csökkenteni kívánt méretnek kevesebbnek kell lennie, mint a funkcióoszlopok száma.

0082-s hiba

Kivétel akkor fordul elő, ha egy modell nem sikerült deszerializálható.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha egy mentett gépi tanulási modell vagy átalakítás nem tölthető be az Azure Machine Learning-futtatókörnyezet újabb verziójával egy kompatibilitástörő változás miatt.

Megoldás: A modellt vagy átalakítást előállító betanítási folyamatot újra kell futtatni, és a modellt vagy átalakítást újra kell menteni.

Kivételüzenetek
A modell nem deszerializálható, mert valószínűleg régebbi szerializálási formátummal szerializálva van. A modell újratanítása és újbóli mentése.

0083-ás hiba

Kivétel akkor fordul elő, ha a betanításhoz használt adatkészlet nem használható konkrét tanulótípushoz.

Ez az Azure Machine Learning-hiba akkor jön létre, ha az adathalmaz nem kompatibilis a betanított tanulóval. Előfordulhat például, hogy az adatkészlet minden sorban legalább egy hiányzó értéket tartalmaz, ezért a betanítás során a teljes adatkészlet kimarad. Más esetekben egyes gépi tanulási algoritmusok, például az anomáliadetektálási algoritmusok nem várják, hogy címkék legyenek jelen, és ez a kivétel akkor fordulhat elő, ha címkék szerepelnek az adathalmazban.

Megoldás: Tekintse meg a bemeneti adatkészlet követelményeinek ellenőrzéséhez használt tanuló dokumentációját. Vizsgálja meg az oszlopokat, és tekintse meg az összes szükséges oszlopot.

Kivételüzenetek
A betanításhoz használt adatkészlet érvénytelen.
A(z) {data_name} érvénytelen adatokat tartalmaz a betanításhoz.
A(z) {data_name} érvénytelen adatokat tartalmaz a betanításhoz. Tanuló típusa: {learner_type}.
A(z) {data_name} érvénytelen adatokat tartalmaz a betanításhoz. Tanuló típusa: {learner_type}. Ok: {reason}.
Nem sikerült alkalmazni a(z) {action_name}" műveletet a(z) {data_name} betanítási adatokon. Ok: {reason}.

0084-s hiba

Kivétel akkor fordul elő, ha az R-szkriptből előállított pontszámok kiértékelése megtörténik. Ez jelenleg nem támogatott.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha az egyik összetevőt egy pontszámokat tartalmazó R-szkript kimenetével próbálja kiértékelni egy modell kiértékeléséhez.

Megoldás:

Kivételüzenetek
Az egyéni modell által létrehozott pontszámok kiértékelése jelenleg nem támogatott.

0085-ös hiba

Kivétel akkor fordul elő, ha a szkript kiértékelése hibával meghiúsul.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha szintaxishibákat tartalmazó egyéni szkriptet futtat.

Megoldás: Tekintse át a kódot egy külső szerkesztőben, és ellenőrizze a hibákat.

Kivételüzenetek
Hiba a szkript kiértékelése során.
A szkript kiértékelése során a következő hiba történt, további információért tekintse meg a kimeneti naplót: ---------- Hibaüzenet indítása a(z) {script_language} értelmezőtől ---------- {message} ---------- {script_language} értelmező hibaüzenetének vége ----------

0090-s hiba

Kivétel akkor fordul elő, ha a Hive-tábla létrehozása sikertelen.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha adatok exportálása vagy más lehetőség használatával ment adatokat egy HDInsight-fürtbe, és a megadott Hive-tábla nem hozható létre.

Megoldás: Ellenőrizze a fürthöz társított Azure Storage-fiók nevét, és ellenőrizze, hogy ugyanazt a fiókot használja-e az összetevő tulajdonságai között.

Kivételüzenetek
A Hive-tábla nem hozható létre. HDInsight-fürt esetén győződjön meg arról, hogy a fürthöz társított Azure Storage-fiók neve megegyezik az összetevő paraméterén keresztül átadott névvel.
A(z) "{table_name}" Hive-tábla nem hozható létre. HDInsight-fürt esetén győződjön meg arról, hogy a fürthöz társított Azure Storage-fiók neve megegyezik az összetevő paraméterén keresztül átadott névvel.
A(z) "{table_name}" Hive-tábla nem hozható létre. HDInsight-fürtök esetén győződjön meg arról, hogy a fürthöz társított Azure Storage-fiók neve "{cluster_name}".

0102-s hiba

Akkor kerül ki, ha egy ZIP-fájlt nem lehet kinyerni.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha tömörített csomagot importál a .zip kiterjesztéssel, de a csomag vagy nem zip-fájl, vagy a fájl nem támogatja a zip formátumot.

Megoldás: Győződjön meg arról, hogy a kijelölt fájl érvényes .zip fájl, és hogy az egyik támogatott tömörítési algoritmussal tömörítette.

Ha ez a hiba a tömörített formátumú adathalmazok importálásakor jelenik meg, ellenőrizze, hogy az összes tárolt fájl a támogatott fájlformátumok egyikét használja-e, és unicode formátumú-e.

Próbálja meg elolvasni a kívánt fájlokat egy új tömörített tömörített mappába, és próbálja meg újból hozzáadni az egyéni összetevőt.

Kivételüzenetek
A megadott ZIP-fájl formátuma nem megfelelő.

0105-ös hiba

Ez a hiba akkor jelenik meg, ha egy összetevődefiníciós fájl nem támogatott paramétertípust tartalmaz.

Ez a hiba az Azure Machine Learningben egyéni összetevő XML-definíciójának létrehozásakor jön létre, és a definícióban szereplő paraméter vagy argumentum típusa nem egyezik meg a támogatott típussal.

Megoldás: Győződjön meg arról, hogy az egyéni összetevő xml-definíciós fájljában található Arg-elemek típustulajdonsága támogatott típus.

Kivételüzenetek
Nem támogatott paramétertípus.
Nem támogatott paramétertípus{0} van megadva.

0107-s hiba

Akkor jelenik meg, ha egy összetevődefiníciós fájl nem támogatott kimeneti típust határoz meg.

Ez a hiba akkor jön létre az Azure Machine Learningben, ha egy egyéni összetevő XML-definíciójában lévő kimeneti port típusa nem egyezik meg a támogatott típussal.

Megoldás: Győződjön meg arról, hogy az egyéni összetevő xml-definíciós fájljában található Kimeneti elem típustulajdonsága támogatott típus.

Kivételüzenetek
Nem támogatott kimeneti típus.
A(z) "{output_type}" nem támogatott kimeneti típus van megadva.

0125-ös hiba

Akkor lesz eldobva, ha több adathalmaz sémája nem egyezik.

Megoldás:

Kivételüzenetek
Az adathalmaz sémája nem egyezik.

0127-s hiba

A kép képpontmérete meghaladja az engedélyezett korlátot.

Ez a hiba akkor fordul elő, ha képeket olvas egy képadatkészletből besorolás céljából, és a képek nagyobbak, mint amennyit a modell képes kezelni.

Kivételüzenetek
A kép képpontmérete meghaladja az engedélyezett korlátot.
A(z) "{file_path}" fájlban lévő kép képpontmérete meghaladja a megengedett korlátot: "{size_limit}".

0128-ás hiba

A kategorikus oszlopok feltételes valószínűségeinek száma meghaladja a korlátot.

Megoldás:

Kivételüzenetek
A kategorikus oszlopok feltételes valószínűségeinek száma meghaladja a korlátot.
A kategorikus oszlopok feltételes valószínűségeinek száma meghaladja a korlátot. A (z) {column_name_or_index_1}" és a "{column_name_or_index_2}" oszlop a problémás pár.

0129-s hiba

Az adathalmaz oszlopainak száma meghaladja az engedélyezett korlátot.

Megoldás:

Kivételüzenetek
Az adathalmaz oszlopainak száma meghaladja az engedélyezett korlátot.
A(z) {dataset_name} adathalmaz oszlopainak száma meghaladja az engedélyezett értéket.
A(z) "{dataset_name}" adathalmaz oszlopainak száma meghaladja a(z) "{component_name}" megengedett korlátot.
A(z) "{dataset_name}" adathalmaz oszlopainak száma meghaladja a(z) "{limit_columns_count}" megengedett "{component_name}" korlátot.

0134-s hiba

Kivétel akkor fordul elő, ha hiányzik a címkeoszlop, vagy nincs elegendő számú címkézett sor.

Ez a hiba akkor fordul elő, ha az összetevőhöz címkeoszlop szükséges, de nem vett fel egyet az oszlopkijelölésbe, vagy ha a címkeoszlop túl sok értéket tartalmaz.

Ez a hiba akkor is előfordulhat, ha egy korábbi művelet úgy módosítja az adathalmazt, hogy az alsóbb rétegbeli műveletekhez nem áll rendelkezésre elegendő sor. Tegyük fel például, hogy a Partíció és a Minta összetevőben egy kifejezést használ az adathalmaz értékek szerinti felosztásához. Ha nem található egyezés a kifejezéshez, a partícióból származó egyik adatkészlet üres lesz.

Megoldás:

Ha egy címkeoszlopot is felvesz az oszlopkijelölésbe, de nem ismeri fel, a Metaadatok szerkesztése összetevővel címkeoszlopként jelölheti meg.

Ezután a Hiányzó adatok törlése összetevővel eltávolíthatja a hiányzó értékeket tartalmazó sorokat a címkeoszlopban.

Ellenőrizze a bemeneti adatkészleteket, hogy azok érvényes adatokat és a művelet követelményeinek megfelelő sorokat tartalmaznak-e. Sok algoritmus hibaüzenetet hoz létre, ha minimális számú adatsort igényelnek, de az adatok csak néhány sort vagy csak fejlécet tartalmaznak.

Kivételüzenetek
Kivétel akkor fordul elő, ha hiányzik a címkeoszlop, vagy nincs elegendő számú címkézett sor.
Kivétel akkor fordul elő, ha a címkeoszlop hiányzik, vagy {required_rows_count} címkével ellátott sorai kisebbek.
Kivétel akkor fordul elő, ha a(z) {dataset_name} adathalmaz címkeoszlopa hiányzik, vagy {required_rows_count} címkével ellátott sorai kisebbek.

0138-ás hiba

A memória kimerült, és az összetevő futtatása nem sikerült. Az adathalmaz bélyegének csökkentése segíthet enyhíteni a problémát.

Ez a hiba akkor fordul elő, ha a futó összetevő több memóriát igényel, mint amennyi az Azure-tárolóban elérhető. Ez akkor fordulhat elő, ha nagy adatkészlettel dolgozik, és az aktuális művelet nem fér el a memóriába.

Megoldás: Ha nagy adathalmazt próbál olvasni, és a művelet nem hajtható végre, az adathalmaz lebélyegzése segíthet.

Kivételüzenetek
A memória kimerült, és az összetevő futtatása nem sikerült.
A memória kimerült, és az összetevő futtatása nem sikerült. Részletek: {details}

0141-s hiba

Kivétel akkor fordul elő, ha a kategorikus és sztringoszlopokban a kijelölt numerikus oszlopok és egyedi értékek száma túl kicsi.

Ez a hiba az Azure Machine Learningben akkor fordul elő, ha nincs elegendő egyedi érték a kijelölt oszlopban a művelet végrehajtásához.

Megoldás: Egyes műveletek statisztikai műveleteket hajtanak végre a funkció- és kategorikus oszlopokon, és ha nincs elegendő érték, előfordulhat, hogy a művelet meghiúsul, vagy érvénytelen eredményt ad vissza. Ellenőrizze az adathalmazban, hogy hány érték szerepel a funkció- és címkeoszlopokban, és állapítsa meg, hogy a végrehajtani kívánt művelet statisztikailag érvényes-e.

Ha a forrásadatkészlet érvényes, akkor azt is ellenőrizheti, hogy egyes felsőbb rétegbeli adatmanipuláció vagy metaadat-művelet módosította-e az adatokat, és eltávolított-e bizonyos értékeket.

Ha a felsőbb rétegbeli műveletek közé tartozik a felosztás, a mintavételezés vagy az újramintavétel, ellenőrizze, hogy a kimenetek tartalmazzák-e a sorok és értékek várt számát.

Kivételüzenetek
A kategorikus és sztringoszlopokban a kijelölt numerikus oszlopok és egyedi értékek száma túl kicsi.
A kategorikus és sztringoszlopokban (jelenleg {actual_num}) kijelölt numerikus oszlopok és egyedi értékek teljes számának legalább {lower_boundary} kell lennie.

0154-ös hiba

Kivétel akkor fordul elő, ha a felhasználó nem kompatibilis oszloptípusú kulcsoszlopokon próbál adatokat összekapcsolni.

Kivételüzenetek
A kulcsoszlopok elemtípusai nem kompatibilisek.
A kulcsoszlopok elemtípusai nem kompatibilisek. (balra: {keys_left}; jobbra: {keys_right})

0155-ös hiba

Kivétel akkor fordul elő, ha az adathalmaz oszlopnevei nem sztringek.

Kivételüzenetek
Az adatkeretoszlop nevének sztringtípusnak kell lennie. Az oszlopnevek nem sztringek.
Az adatkeretoszlop nevének sztringtípusnak kell lennie. A(z) {column_names} oszlopnevek nem sztringek.

0156-os hiba

Kivétel akkor fordul elő, ha nem sikerült beolvasni az adatokat az Azure SQL Database-ből.

Kivételüzenetek
Nem sikerült adatokat olvasni az Azure SQL Database-ből.
Nem sikerült adatokat olvasni az Azure SQL Database-ből: {detailed_message} DB: {database_server_name}:{database_name} Lekérdezés: {sql_statement}

0157-ös hiba

Az adattár nem található.

Kivételüzenetek
Az adattár adatai érvénytelenek.
Az adattár adatai érvénytelenek. Nem sikerült lekérni a(z) "{datastore_name}" Azure Machine Learning-adattárat a(z) {workspace_name} munkaterületen.

0158-os hiba

Érvénytelen átalakítási könyvtár esetén.

Kivételüzenetek
Adott TransformationDirectory érvénytelen.
A(z) "{arg_name}" TransformationDirectory érvénytelen. Ok: {reason}. Futtassa újra a betanítási kísérletet, amely létrehozza az Átalakítás fájlt. Ha a betanítási kísérlet törölve lett, hozza létre újra és mentse az Átalakítás fájlt.
A(z) "{arg_name}" TransformationDirectory érvénytelen. Ok: {reason}. {troubleshoot_hint}

0159-ös hiba

Kivétel akkor fordul elő, ha az összetevőmodell könyvtára érvénytelen.

Kivételüzenetek
Adott ModelDirectory érvénytelen.
A(z) "{arg_name}" ModelDirectory érvénytelen.
A(z) "{arg_name}" ModelDirectory érvénytelen. Ok: {reason}.
A(z) "{arg_name}" ModelDirectory érvénytelen. Ok: {reason}. {troubleshoot_hint}

1000-s hiba

Belső kódtár kivétele.

Ez a hiba az egyébként nem kezelt belső motorhibák rögzítésére szolgál. Ezért a hiba oka a hibát létrehozó összetevőtől függően eltérő lehet.

Ha további segítségre van szüksége, javasoljuk, hogy tegye közzé a hibát kísérő részletes üzenetet az Azure Machine Learning-fórumban, a forgatókönyv leírásával együtt, beleértve a bemenetként használt adatokat is. Ez a visszajelzés segít rangsorolni a hibákat, és azonosítani a további munka legfontosabb problémáit.

Kivételüzenetek
Tárkivétel.
Tárkivétel: {exception}.
Ismeretlen tárkivétel: {exception}. {customer_support_guidance}.

Hibaelhárítási útmutató

Python-szkript összetevőjének végrehajtása hiba

Keressen azureml_main a Python-szkript végrehajtásának 70_driver_logsösszetevőben, és megtalálhatja, hogy melyik sor történt. A "/tmp/tmp01_ID/user_script.py", 17. sor, azureml_main" például azt jelzi, hogy a hiba a Python-szkript 17 sorában történt.

Elosztott betanítás

A tervező jelenleg támogatja a PyTorch Model-összetevő elosztott betanítását és betanítását .

Ha az összetevő által engedélyezett elosztott betanítás naplók nélkül 70_driver meghiúsul, ellenőrizheti 70_mpi_log a hiba részleteit.

Az alábbi példa azt mutatja, hogy a futtatási beállítások csomópontszáma nagyobb, mint a számítási fürt rendelkezésre álló csomópontszáma.

Az alábbi példa azt mutatja, hogy a csomópontonkénti folyamatszám nagyobb, mint a számítási egység .

Ellenkező esetben ellenőrizheti 70_driver_log az egyes folyamatokat. 70_driver_log_0 a főfolyamathoz tartozik.

Nem sikerült csatlakoztatni a mintaadatokat a folyamatban

Ha a fenti hibát tapasztalja, kövesse az alábbi lépéseket a probléma megoldásához:

• Kattintson duplán az adatcsomópontra az adattár részletes lapjának megtekintéséhez.

• Unregister ezt az azureml_globaldatasets adattárat.

• Húzzon át egy új Sample Data csomópontot a folyamatba, és próbálkozzon újra.