Bersihkan Data yang Hilang
Penting
Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.
Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.
- Lihat informasi tentang memindahkan proyek pembelajaran mesin dari ML Studio (klasik) ke Azure Machine Learning.
- Mer informasjon tentang Azure Machine Learning.
ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.
Menentukan cara menangani nilai yang hilang dari himpunan data
Kategori: Transformasi / Manipulasi Data
Catatan
Berlaku untuk: Pembelajaran Mesin Studio (klasik) saja
Modul drag-and-drop serupa tersedia di Azure Machine Learning desainer.
Ringkasan Modul
Artikel ini menjelaskan cara menggunakan modul Clean Missing Data di Pembelajaran Mesin Studio (klasik), untuk menghapus, mengganti, atau menyimpulkan nilai yang hilang.
Ilmuwan data sering memeriksa data untuk nilai yang hilang dan kemudian melakukan berbagai operasi untuk memperbaiki data tersebut atau menyisipkan nilai yang baru. Tujuan dari operasi pembersihan tersebut adalah untuk mencegah masalah yang disebabkan oleh data yang hilang yang dapat muncul ketika melatih model.
Modul ini mendukung beberapa jenis operasi untuk "membersihkan" nilai yang hilang, termasuk:
- Mengganti nilai yang hilang dengan tempat penampung, rata-rata, atau nilai lainnya
- Menghapus secara penuh baris dan kolom yang memiliki nilai hilang
- Menyimpulkan nilai berdasarkan metode statistik
Tip
Baru mengenal pembelajaran mesin? Artikel ini memberikan penjelasan yang baik tentang mengapa Anda akan menggunakan masing-masing metode yang berbeda untuk mengganti nilai yang hilang: Metode untuk menangani nilai yang hilang
Menggunakan modul ini tidak mengubah himpunan data sumber Anda. Sebagai gantinya, modul ini membuat himpunan data baru di ruang kerja yang bisa Anda gunakan di alur kerja berikutnya. Anda juga dapat menyimpan himpunan data baru yang telah dibersihkan untuk digunakan kembali.
Modul ini juga menghasilkan definisi transformasi yang digunakan untuk membersihkan nilai yang hilang. Anda dapat menggunakan transformasi ini kembali pada himpunan data lain yang mempunyai skema yang sama, dengan menggunakan modul Terapkan Transformasi.
Cara menggunakan Bersihkan Data yang Hilang
Modul ini memungkinkan Anda untuk menentukan operasi pembersihan. Anda juga dapat menyimpan operasi pembersihan sehingga Anda dapat menerapkannya ke data yang baru nantinya. Lihat tautan berikut untuk deskripsi cara membuat dan menyimpan proses pembersihan:
Penting
Metode pembersihan yang Anda gunakan untuk menangani nilai yang hilang dapat berpengaruh besar pada hasil Anda. Kami menyarankan Agar Anda bereksperimen dengan metode yang berbeda. Pertimbangkan baik alasan yang sesuai untuk penggunaan metode tertentu, maupun kualitas hasilnya.
Mengganti nilai yang hilang
Setiap kali Anda menerapkan modul Clean Missing Data ke sekumpulan data, operasi pembersihan yang sama diterapkan ke semua kolom yang Anda pilih. Oleh karena itu, jika Anda perlu membersihkan kolom yang berbeda menggunakan metode yang berbeda pula, gunakan instans modul yang terpisah.
Tambahkan modul Bersihkan Data yang Hilang ke eksperimen Anda, dan hubungkan himpunan data yang memiliki nilai yang hilang.
Agar Kolom dibersihkan, pilih kolom yang berisi nilai yang hilang yang ingin Anda ubah. Anda bisa memilih beberapa kolom, tapi Anda harus menggunakan metode penggantian yang sama di semua kolom yang dipilih. Oleh karena itu, biasanya Anda perlu membersihkan kolom string dan kolom numerik secara terpisah.
Misalnya, untuk memeriksa nilai yang hilang di semua kolom numerik:
Buka Pemilih Kolom, dan pilih DENGAN ATURAN.
Untuk MULAI DENGAN, pilih TANPA KOLOM.
Anda juga dapat memulai dengan SEMUA KOLOM dan kemudian mengecualikan kolom. Awalnya, aturan tidak ditampilkan jika Anda pertama kali mengklik SEMUA KOLOM, tetapi Anda dapat mengklik TIDAK ADA KOLOM dan kemudian klik SEMUA KOLOM lagi untuk memulai dengan semua kolom dan kemudian memfilter (mengecualikan) kolom berdasarkan nama, tipe data, atau indeks kolom.
Untuk Sertakan, pilih Tipe kolom dari daftar turun bawah, lalu pilih Numerik, atau tipe numerik yang lebih spesifik.
Metode pembersihan atau penggantian yang Anda pilih harus berlaku untuk semua kolom dalam pilihan. Jika data di kolom apa pun tidak kompatibel dengan operasi yang ditentukan, modul mengembalikan kesalahan dan menghentikan eksperimen.
Untuk Rasio nilai minimum yang hilang, tentukan jumlah minimum nilai yang hilang yang diperlukan agar operasi dapat dilakukan.
Anda menggunakan opsi ini dalam kombinasi dengan Rasio nilai maksimum yang hilang untuk menentukan kondisi di mana operasi pembersihan dilakukan pada himpunan datanya. Jika ada terlalu banyak atau terlalu sedikit baris dengan nilai yang hilang, operasinya tidak dapat dilakukan.
Angka yang Anda masukkan menunjukkan rasio nilai yang hilang untuk semua nilai dalam kolom. Secara default, properti Rasio minimum nilai yang hilang diatur ke 0. Ini berarti bahwa nilai yang hilang akan dibersihkan bahkan jika hanya ada satu nilai yang hilang. Untuk contoh cara menggunakan opsi ini, lihat Menetapkan Ambang Batas untuk Operasi Pembersihan.
Peringatan
Kondisi ini harus dipenuhi oleh masing-masing dan tiap kolom agar operasi yang ditentukan berlaku. Misalnya, anggap saja Anda telah memilih tiga kolom lalu mengatur rasio minimum nilai yang hilang menjadi .2 (20%), tetapi hanya ada satu kolom yang benar-benar memiliki nilai 20% hilang. Dalam hal ini, operasi pembersihan hanya akan berlaku untuk kolom dengan lebih dari 20% nilai yang hilang. Oleh karena itu, kolom lainnya tidak akan berubah.
Jika Anda ragu apakah nilai yang hilang telah diubah atau tidak, pilih opsi, Buat kolom indikator nilai yang hilang. Sebuah kolom ditambahkan ke himpunan data untuk menunjukkan apakah setiap kolom memenuhi kriteria yang telah ditentukan untuk rentang minimum dan maksimumnya.
Untuk Rasio nilai maksimum yang hilang, tentukan jumlah maksimum nilai yang hilang yang dapat muncul untuk operasi yang akan dilakukan.
Misalnya, Anda mungkin ingin melakukan substitusi nilai yang hilang hanya jika ada 30% atau lebih sedikit baris berisi nilai yang hilang, tetapi biarkan nilainya apa adanya jika ada lebih dari 30% baris memiliki nilai yang hilang.
Anda menetapkan angka tersebut sebagai rasio nilai yang hilang untuk semua nilai dalam kolomnya. Secara default, Rasio nilai maksimum yang hilang diatur ke 1. Artinya, nilai yang hilang dibersihkan meskipun 100% dari nilai yang ada di kolom menjadi hilang.
Catatan
Saat Anda menetapkan ambang batas menggunakan opsi Rasio nilai hilang minimum atau Rasio nilai hilang maksimum, operasi pembersihan tidak dapat dilakukan jika salah satu kolom yang dipilih tidak memenuhi kriteria.
Untuk Mode Pembersihan, pilih salah satu dari opsi berikut untuk mengganti atau menghapus nilai yang hilang:
Ganti menggunakan MICE: Untuk setiap nilai yang hilang, opsi ini menetapkan nilai baru, yang dihitung dengan menggunakan metode yang dijelaskan dalam literatur statistik sebagai "Imputasi Multivariat menggunakan Persamaan Berantai" atau "Beberapa Imputasi dengan Persamaan Berantai". Dengan metode imputasi ganda, setiap variabel dengan data yang hilang dimodelkan secara kondisional menggunakan variabel lain dalam data sebelum mengisi nilai yang hilang. Sebaliknya, dalam metode imputasi tunggal (seperti mengganti nilai yang hilang dengan rata-rata kolom) satu pass dibuat di atas data untuk menentukan nilai isian.
Semua metode imputasi memperkenalkan beberapa kesalahan atau bias, tetapi beberapa imputasi lebih baik mensimulasikan proses menghasilkan data dan distribusi probabilitas data.
Untuk pengenalan umum metode untuk menangani nilai yang hilang, lihat Data Hilang: keadaan seni. Schafer dan Graham pada tahun 2002.
Peringatan
Opsi ini tidak dapat diterapkan ke kolom yang benar-benar kosong. Kolom tersebut harus dihapus atau diteruskan ke output apa adanya.
Nilai substitusi kustom: Gunakan opsi ini untuk menentukan nilai tempat penampung (seperti 0 atau NA) yang berlaku untuk semua nilai yang hilang. Nilai yang Anda tentukan sebagai pengganti harus kompatibel dengan jenis data kolom.
Ganti dengan mean: Menghitung rata-rata kolom dan menggunakan mean sebagai nilai pengganti untuk setiap nilai yang hilang di kolom.
Hanya berlaku untuk kolom yang memiliki jenis data Bilangan Bulat, Ganda, atau Boolean. Lihat bagian Catatan Teknis untuk informasi lebih lanjut.
Ganti dengan median: Menghitung nilai median kolom, dan menggunakan nilai median tersebut sebagai pengganti nilai yang hilang di kolom.
Hanya berlaku untuk kolom yang memiliki jenis data Bilangan Bulat atau Ganda. Lihat bagian Catatan teknis untuk informasi lebih lanjut.
Ganti dengan mode: Menghitung modus untuk kolom, dan menggunakan mode tersebut sebagai nilai pengganti untuk setiap nilai yang hilang di kolom.
Berlaku untuk kolom yang memiliki jenis data Bilangan Bulat, Ganda, Boolean, atau Kategoris. Lihat bagian Catatan Teknis untuk informasi lebih lanjut.
Hapus seluruh baris: Menghapus baris apa pun sepenuhnya dalam himpunan data yang memiliki satu atau beberapa nilai yang hilang. Penghapusan ini berguna jika nilai yang hilang dapat dianggap hilang secara acak.
Hapus seluruh kolom: Menghapus kolom apa pun sepenuhnya dalam himpunan data yang memiliki satu atau beberapa nilai yang hilang.
Ganti menggunakan PCA Probabilistik: Mengganti nilai yang hilang dengan menggunakan model linier yang menganalisis korelasi antara kolom dan memperkirakan perkiraan dimensi rendah dari data, dari mana data lengkap direkonstruksi. Pengurangan dimensi yang mendasarinya adalah bentuk probabilistik dari Analisis Komponen Utama (PCA), dan mengimplementasikan varian model yang diusulkan dalam Journal of Royal Statistical Society, Seri B 21 (3), 611-622 oleh Tipping dan Bishop.
Dibandingkan dengan opsi lain, seperti Multiple Imputasi menggunakan Chained Equations (MICE), opsi ini memiliki keuntungan karena tidak memerlukan penerapan prediktor untuk setiap kolom. Sebaliknya, ia mendekati kovarians untuk dataset lengkap. Oleh karena itu, mungkin menawarkan kinerja yang lebih baik untuk dataset yang memiliki nilai yang hilang di banyak kolom.
Keterbatasan utama dari metode ini adalah bahwa ia memperluas kolom kategoris menjadi indikator numerik dan menghitung matriks kovarians padat dari data yang dihasilkan. Ini juga tidak dioptimalkan untuk representasi yang jarang. Untuk alasan ini, himpunan data dengan sejumlah besar kolom dan / atau domain kategoris besar (puluhan ribu) tidak didukung karena konsumsi ruang yang mahal.
Tip
Ingatlah bahwa metode yang Anda pilih diterapkan ke semua kolom dalam pilihan. Jadi, jika Anda ingin mengganti beberapa nilai yang hilang dengan nol di beberapa kolom tetapi menyisipkan placeholder di kolom lain, Anda harus menggunakan Pilih Kolom dalam Himpunan Data untuk memisahkan data dan menggunakan contoh yang berbeda dari modul Clean Missing Data .
Opsi Nilai penggantian tersedia jika Anda telah memilih opsi, Nilai substitusi kustom. Ketik sebuah nilai baru untuk digunakan sebagai nilai pengganti untuk semua nilai yang hilang dalam kolom.
Perhatikan bahwa Anda dapat menggunakan opsi ini hanya di kolom yang memiliki tipe data Integer, Double, Boolean, atau Date. Untuk kolom tanggal, nilai penggantian juga dapat dimasukkan sebagai jumlah kutu 100-nanodetik sejak 1/1/0001 12:00 A.M.
Hasilkan kolom indikator nilai yang hilang: Pilih opsi ini jika Anda ingin menghasilkan beberapa indikasi apakah nilai dalam kolom sudah memenuhi kriteria untuk pembersihan nilai yang hilang. Opsi ini sangat berguna saat Anda menyiapkan operasi pembersihan baru dan ingin memastikan bahwa operasi tersebut berfungsi seperti yang telah dirancang.
Jalankan eksperimen, atau pilih modul Bersihkan Data yang Hilang dan klik Jalankan dipilih.
Hasil
Modul menampilkan dua output:
Himpunan data yang telah dibersihkan : Sebuah himpunan data yang terdiri dari kolom yang dipilih, dengan nilai yang hilang yang ditangani sebagaimana ditentukan, bersama dengan kolom indikator, jika Anda memilih opsi tersebut.
Kolom yang tidak dipilih untuk dibersihkan juga "diteruskan".
Transformasi pembersihan: Transformasi data yang digunakan untuk pembersihan, yang dapat disimpan di ruang kerja Anda dan diterapkan ke data baru nantinya.
Menerapkan operasi pembersihan yang tersimpan ke data yang baru
Jika Anda sering kali perlu untuk mengulangi operasi pembersihan, kami sarankan agar Anda menyimpan resep Anda untuk pembersihan data sebagai sebuah transformasi, untuk digunakan kembali dengan himpunan data yang sama. Menyimpan transformasi pembersihan sangat berguna jika Anda harus sering mengimpor ulang dan kemudian membersihkan data yang memiliki skema yang sama.
Tambahkan modul Terapkan Transformasi ke eksperimen Anda.
Tambahkan himpunan data yang ingin Anda bersihkan dan sambungkan himpunan data tersebut ke port input sebelah kanan.
Perluas grup Transformasi di panel kiri Studio (klasik). Temukan transformasi yang disimpan dan seret ke dalam eksperimen.
Sambungkan transformasi telah disimpan tersebut ke port input kiri Terapkan Transformasi.
Saat Anda menerapkan sebuah transformasi yang disimpan, Anda tidak bisa memilih kolom tempat transformasi diterapkan. Itu karena transformasi telah ditentukan dan berlaku secara otomatis ke tipe data yang ditentukan dalam operasi asli.
Namun, misalnya Anda membuat transformasi pada sebuah subset kolom numerik. Maka Anda bisa menerapkan transformasi ini ke himpunan data dengan jenis kolom campuran tanpa muncul kesalahan apa pun, karena nilai yang hilang hanya diubah dalam kolom numerik yang cocok.
Jalankan eksperimen.
Contoh
Lihat contoh bagaimana modul ini digunakan di Galeri AI Azure:
Prediksi kinerja siswa: Dalam sampel ini, nol dimasukkan untuk nilai yang hilang.
Validasi Silang untuk sampel Pengklasifikasi Biner: Nol digunakan untuk mengisi nilai yang hilang, dan kolom indikator dibuat untuk melacak perubahan. Kolom dengan semua nilai yang hilang juga dipertahankan.
Pemrosesan dan Analisis Himpunan Data: Dalam sampel ini, cabang eksperimen yang berbeda menggunakan metode yang berbeda untuk substitusi nilai yang hilang, dan himpunan data kemudian dievaluasi dengan menggunakan Meringkas Data dan Menghitung Korelasi Linier.
Contoh prediksi penundaan penerbangan: Baris kosong dihapus seluruhnya.
Catatan teknis
Bagian ini berisi detail implementasi, serta masalah yang diketahui dan pertanyaan umum diajukan.
Kesalahan terjadi jika opsi rata-rata atau median digunakan saat kolom string dipilih. Jika Anda perlu memproses kolom dari tipe data yang berbeda, buat dua contoh Data Bersih hilang.
Saat mengganti nilai yang hilang dengan nilai rata-rata dalam kolom dengan tipe data Boolean, Integer, DateTime, atau TimeSpan, kolom pertama dikonversi ke angka floating point, mean dihitung, dan kemudian hasilnya dibulatkan ke nilai terdekat dari tipe data asli.
Saat Anda mengetik nilai pengganti, nilai harus kompatibel dengan tipe data di kolom yang dipilih.
NaNNilai , ,Infdan–Infdiizinkan untuk kolom di mana tipe datanya Adalah Dua Kali Lipat.Saat menggunakan metode MICE, nilai penggantian diprediksi dengan menggunakan model MICE yang terlatih.
Menggunakan Clean Missing Data dapat mengatur ulang jenis kolom lain menjadi fitur. Jika data Anda berisi jenis kolom lain, seperti label, gunakan Edit Metadata untuk memperbaiki jenis kolom.
Pembatasan penggunaan transformasi pembersihan
Pembatasan berikut berlaku saat Anda menggunakan transformasi tersimpan (berdasarkan Data Bersih Hilang) ke data baru:
Transformasi yang disimpan tidak dapat menghasilkan nilai indikator, bahkan jika opsi ini digunakan dalam operasi pembersihan asli. Pertimbangkan nilai indikator sebagai yang paling berguna saat menguji transformasi baru.
Transformasi tidak menghitung nilai baru berdasarkan himpunan data baru. Dengan kata lain, jika Anda menggunakan Clean Missing Data pada Dataset A dan menghasilkan nilai rata-rata 0,5, nilai yang sama akan diterapkan sebagai rata-rata untuk mengganti nilai yang hilang di Dataset B, terlepas dari nilai aktual dalam Dataset B.
Tipe data kolom dalam himpunan data baru harus cocok dengan tipe data kolom tempat transformasi awalnya dibuat. Kesalahan dinaikkan jika ada operasi yang dilakukan pada kolom yang secara implisit mengubah tipe data.
Misalnya, Anda membuat rata-rata untuk kolom data integer [Col1], dan menyimpan transformasi. Sekarang Anda ingin menerapkan transformasi pembersihan ke salinan [Col1] yang telah disesuaikan menggunakan rumus, seperti ([Col1] /1.5). Untuk memastikan bahwa hasilnya adalah bilangan bulat, Anda mengumpulkan hasilnya, tetapi masih mendapatkan kesalahan saat Anda menerapkan transformasi. Namun, jika Anda menyesuaikan nilai menggunakan rumus seperti ([Col 1] * 10), tidak ada kesalahan yang muncul!
Untuk menghindari masalah tersebut, gunakan Edit Metadata untuk mengatur ulang tipe data secara eksplisit ke bilangan bulat. Secara umum, operasi dalam modul Terapkan Operasi Matematika secara implisit mengubah kolom numerik menjadi
double.
Menetapkan dan menafsirkan nilai ambang batas
Saat Anda menentukan ambang batas untuk operasi pembersihan menggunakan opsi Rasio nilai hilang minimum atau Rasio nilai hilang maksimum, hasilnya bisa tidak terduga atau membingungkan. Untuk mengilustrasikan cara kerja opsi untuk nilai minimum yang hilang maksimum dan minimum, kami telah memberikan beberapa contoh dari kumpulan data sampel Harga Mobil , yang memiliki banyak kolom dengan nilai yang hilang.
Tabel berikut menunjukkan jumlah nilai yang hilang untuk beberapa kolom dalam himpunan data tersebut, bersama dengan rasio nilai yang hilang yang dihitung pada himpunan data. Rasio nilai yang hilang (di kolom paling kanan) adalah nilai yang akan digunakan dalam mengevaluasi himpunan data terhadap nilai ambang batas yang ditentukan.
Asumsikan bahwa Anda menetapkan Rasio nilai hilang minimum menjadi 0,019 dan menetapkan rasio nilai hilang Maksimum menjadi 0,020. Mengingat tabel nilai berikut, beberapa kolom memenuhi kriteria ambang batas, dan beberapa tidak:
- Kolom
boredanstrokememenuhi kriteria ambang batas. - Kolom
normalized-lossesdancompression-ratiotidak memenuhi kriteria ambang batas.
| Nama kolom | Jumlah nilai yang hilang | Rasio nilai yang hilang |
|---|---|---|
| Kerugian yang dinormalisasi | 41 | 0.2 |
| Menanggung | 4 | 0.019512195 |
| Stroke | 4 | 0.019512195 |
| Rasio kompresi | 0 | 0 |
Karena beberapa kolom dalam pemilihan tidak memenuhi kriteria yang ditentukan, tidak ada operasi pembersihan yang dilakukan pada kolom apa pun. Untuk membantu Anda mengetahui apa yang terjadi, modul mengembalikan nilai FALSE di dua kolom indikator, bore_IsMissing dan stroke_IsMissing.
Namun, jika Anda mengubah ambang batas kembali ke nilai default 0 untuk Rasio nilai hilang Minimum dan 1 untuk Rasio nilai hilang Maksimum, kolom indikator dikembalikan untuk semua kolom yang dipilih, dan operasi yang ditentukan dilakukan.
Tip
Jika Anda tidak yakin apakah pembersihan nilai yang hilang berfungsi seperti yang diharapkan, pilih opsi Buat kolom Indikator nilai hilang .
Masalah yang diketahui
Jika Anda menggunakan metode MICE untuk membersihkan data dan kemudian memproses himpunan data yang berisi nilai yang hilang, Anda mungkin mendapatkan kesalahan berikut: "Pengecualian pustaka Perpustakaan AFx: Model tidak dilatih. (Kesalahan 1000)"
Kesalahan ini hanya terjadi ketika metode MICE dipilih, dan jika himpunan data pelatihan tidak berisi nilai yang hilang tetapi dataset pengujian tidak.
Input yang diharapkan
| Nama | Jenis | Deskripsi |
|---|---|---|
| Himpunan Data | Tabel Data | Dataset yang akan dibersihkan |
Parameter modul
| Nama | Rentang | Jenis | Default | Deskripsi |
|---|---|---|---|---|
| Kolom yang akan dibersihkan | Semua | Pilihan Kolom | Semua | Pilih kolom untuk operasi bersih nilai yang hilang. |
| Rasio nilai hilang minimum | [0.0;1.0] | Mengambang | 0.0 | Bersihkan hanya kolom dengan rasio nilai yang hilang di atas nilai yang ditentukan, dari satu set semua kolom yang dipilih. |
| Rasio nilai hilang maksimum | [0.0;1.0] | Mengambang | 1,0 | Bersihkan hanya kolom dengan rasio nilai yang hilang di bawah nilai yang ditentukan dari satu set semua kolom yang dipilih. |
| Mode pembersihan | Daftar | Kebijakan penanganan | Nilai substitusi kustom | Pilih algoritma yang akan digunakan saat membersihkan nilai yang hilang. |
| Nilai penggantian | Semua | String | "0" | Ketik nilai untuk menggantikan nilai yang hilang. Nilai ini bersifat opsional. |
| Cols dengan semua nilai yang hilang | Semua | ColumnsWithAllValuesMissing | Hapus | Tunjukkan apakah kolom dari semua nilai yang hilang harus dipertahankan dalam output. |
| Hasilkan kolom indikator nilai yang hilang | Apa pun | Boolean | salah | Buat kolom yang menunjukkan baris mana yang dibersihkan. |
| Jumlah iterasi | [1;10] | Bilangan bulat | 5 | Tentukan jumlah iterasi saat menggunakan MICE. |
| Jumlah iterasi untuk prediksi PCA | [1;50] | Bilangan bulat | 10 | Tentukan jumlah iterasi saat menggunakan prediksi PCA. |
Output
| Nama | Jenis | Deskripsi |
|---|---|---|
| Data yang dibersihkan | Tabel Data | Data yang dibersihkan |
| Transformasi pembersihan | Antarmuka ITransform | Transformasi yang akan diteruskan ke modul Terapkan Transformasi untuk membersihkan data baru. |
Pengecualian
| Pengecualian | Deskripsi |
|---|---|
| Kesalahan 0002 | Pengecualian terjadi jika satu atau beberapa parameter tidak dapat diurai atau dikonversi dari jenis yang ditentukan menjadi tipe yang diperlukan oleh metode target. |
| Kesalahan 0003 | Pengecualian terjadi jika satu atau beberapa himpunan data input null atau kosong. |
| Kesalahan 0008 | Pengecualian terjadi jika parameter tidak dalam jangkauan. |
| Kesalahan 0013 | Pengecualian terjadi jika leaner yang diteruskan ke modul memiliki tipe yang tidak valid. |
| Kesalahan 0018 | Pengecualian terjadi jika himpunan data input tidak valid. |
| Kesalahan 0039 | Pengecualian terjadi jika operasi gagal. |
Untuk daftar kesalahan khusus untuk modul Studio (klasik), lihat Pembelajaran Mesin Kode kesalahan.
Untuk daftar pengecualian API, lihat Pembelajaran Mesin Kode Kesalahan REST API.