Memecahkan masalah pengecualian modul di Pembelajaran Mesin Studio (klasik) menggunakan kode kesalahan

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.
• Pelajari selengkapnya tentang Azure Machine Learning.

ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.

Pelajari tentang pesan kesalahan dan kode pengecualian yang mungkin Anda temui menggunakan modul di Pembelajaran Mesin Studio (klasik).

Untuk mengatasi masalah ini, cari kesalahan dalam artikel ini untuk membaca tentang penyebab umum. Ada dua cara untuk mendapatkan teks lengkap pesan kesalahan di Studio (klasik):

• Klik tautan, Lihat Log Output, di panel kanan dan gulir ke bawah. Pesan kesalahan terperinci ditampilkan di dua baris terakhir jendela.

• Pilih modul yang memiliki kesalahan, dan klik X merah. Hanya teks kesalahan terkait yang ditampilkan.

Jika teks pesan kesalahan tidak membantu, kirimi kami informasi tentang konteks dan penambahan atau perubahan yang diinginkan. Anda dapat mengirimkan umpan balik tentang topik kesalahan, atau mengunjungi forum Pembelajaran Mesin Studio (klasik) dan memposting pertanyaan.

Kesalahan 0001

Pengecualian terjadi jika satu atau beberapa kolom himpunan data tertentu tidak dapat ditemukan.

Anda akan menerima kesalahan ini jika pemilihan kolom dibuat untuk modul, tetapi kolom yang dipilih tidak ada di himpunan data input. Kesalahan ini dapat terjadi jika Anda telah mengetikkan nama kolom secara manual atau jika pemilih kolom telah menyediakan kolom yang disarankan yang tidak ada di himpunan data Anda saat Anda menjalankan eksperimen.

Resolusi: Lihat kembali modul yang melemparkan pengecualian ini dan memvalidasi bahwa nama atau nama kolom sudah benar dan bahwa semua kolom yang direferensikan memang ada.

Pesan pengecualian
Satu atau beberapa kolom yang ditentukan tidak ditemukan
Kolom dengan nama atau indeks "{0}" tidak ditemukan
Kolom dengan nama atau indeks "{0}" tidak ada di "{1}"

Kesalahan 0002

Pengecualian terjadi jika satu atau beberapa parameter tidak dapat diurai atau dikonversi dari jenis yang ditentukan menjadi diperlukan oleh jenis metode target.

Kesalahan ini terjadi di Pembelajaran Mesin ketika Anda menentukan parameter sebagai input dan jenis nilai berbeda dari jenis yang diharapkan, dan konversi implisit tidak dapat dilakukan.

Resolusi: Periksa persyaratan modul dan tentukan jenis nilai mana yang diperlukan (untai (karakter), bilangan bulat, ganda, dan lain-lain.)

Pesan pengecualian
Gagal mengurai parameter
Gagal mengurai parameter "{0}"
Gagal mengurai (mengonversi) parameter "{0}" menjadi "{1}"
Gagal mengonversi parameter "{0}" dari "{1}" ke "{2}"
Gagal mengonversi{0} "" nilai parameter "{1}" dari "{2}" ke "{3}"
Gagal mengonversi nilai "{0}" di kolom "{1}" dari "{2}" ke "{3}" dengan penggunaan format "{4}" yang disediakan

Kesalahan 0003

Pengecualian terjadi jika satu atau beberapa input null atau kosong.

Anda akan menerima kesalahan ini dalam Pembelajaran Mesin jika ada input atau parameter ke modul null atau kosong. Kesalahan ini mungkin terjadi, misalnya, ketika Anda tidak mengetikkan nilai apa pun untuk parameter. Ini juga bisa terjadi jika Anda memilih himpunan data yang memiliki nilai hilang, atau himpunan data kosong.

Resolusi:

• Buka modul yang menghasilkan pengecualian dan verifikasi bahwa semua input telah ditentukan. Pastikan bahwa semua input yang diperlukan ditentukan.
• Pastikan bahwa data yang dimuat dari penyimpanan Azure dapat diakses, dan nama akun atau kunci tidak berubah.
• Periksa data input untuk nilai yang hilang, atau null.
• Jika menggunakan kueri pada sumber data, verifikasi bahwa data sedang dikembalikan dalam format yang Anda harapkan.
• Periksa kesalahan ketik atau perubahan lain dalam spesifikasi data.

Pesan pengecualian
Satu atau beberapa input null atau kosong
Input "{0}" null atau kosong

Kesalahan 0004

Pengecualian terjadi jika parameter kurang dari atau sama dengan nilai tertentu.

Anda akan menerima kesalahan ini dalam Pembelajaran Mesin jika parameter dalam pesan di bawah nilai batas yang diperlukan modul untuk memproses data.

Resolusi: Kunjungi kembali modul yang melemparkan pengecualian dan ubah parameter menjadi lebih besar dari nilai yang ditentukan.

Pesan pengecualian
Parameter harus lebih besar dari nilai batas.
Nilai parameter "{0}" harus lebih besar dari {1}.
Parameter "{0}" memiliki nilai "{1}" yang seharusnya lebih besar dari {2}

Kesalahan 0005

Pengecualian terjadi jika parameter kurang dari nilai tertentu.

Anda akan menerima kesalahan ini dalam Pembelajaran Mesin jika parameter dalam pesan di bawah atau sama dengan nilai batas yang diperlukan modul untuk memproses data.

Resolusi: Kunjungi kembali modul yang melemparkan pengecualian dan ubah parameter menjadi lebih besar atau sama dengan dari nilai yang ditentukan.

Pesan pengecualian
Parameter harus lebih dari atau sama dengan nilai batas.
Nilai parameter "{0}" harus lebih besar dari atau sama dengan {1}.
Parameter "{0}" memiliki nilai "{1}" yang harus lebih besar dari atau sama dengan {2}.

Kesalahan 0006

Pengecualian terjadi jika parameter lebih besar dari atau sama dengan nilai yang ditentukan.

Anda akan menerima kesalahan ini dalam Pembelajaran Mesin jika parameter dalam pesan lebih besar dari atau sama dengan nilai batas yang diperlukan agar modul memproses data.

Resolusi: Kunjungi kembali modul yang melemparkan pengecualian dan ubah parameter menjadi lebih kecil dari nilai yang ditentukan.

Pesan pengecualian
Parameter tidak cocok. Salah satu parameter harus kurang dari yang lain.
Nilai parameter "{0}" harus kurang dari nilai "{1}" parameter.
Parameter "{0}" memiliki nilai "{1}" yang seharusnya kurang dari {2}.

Kesalahan 0007

Pengecualian terjadi jika parameter lebih besar dari nilai tertentu.

Anda akan menerima kesalahan ini dalam Pembelajaran Mesin jika, di properti untuk modul, Anda menentukan nilai yang lebih besar dari yang diizinkan. Misalnya, Anda mungkin menentukan data yang berada di luar rentang tanggal yang didukung, atau Anda mungkin mengindikasikan bahwa lima kolom digunakan saat hanya tiga kolom yang tersedia.

Anda mungkin juga melihat kesalahan ini jika Anda menentukan dua set data yang perlu dicocokkan dalam beberapa cara. Misalnya, jika Anda mengganti nama kolom, dan menentukan kolom menurut indeks, jumlah nama yang Anda cantumkan harus cocok dengan jumlah indeks kolom. Contoh lain mungkin adalah operasi matematika yang menggunakan dua kolom, di mana kolom harus memiliki jumlah baris yang sama.

Resolusi:

• Buka modul yang dimaksud dan ulasan pengaturan setiap properti numerik.
• Pastikan bahwa setiap nilai parameter termasuk dalam rentang nilai yang didukung untuk properti tersebut.
• Jika modul mengambil beberapa input, pastikan bahwa input memiliki ukuran yang sama.
• Jika modul memiliki beberapa properti yang dapat diatur, pastikan bahwa properti terkait memiliki nilai yang sesuai. Misalnya, saat menggunakan Grup Data ke dalam Bin, jika Anda menggunakan opsi untuk menentukan tepi bin kustom, jumlah bin harus cocok dengan jumlah nilai yang Anda berikan sebagai batas bin.
• Periksa apakah himpunan data atau sumber data telah berubah. Terkadang nilai yang bekerja dengan versi data sebelumnya akan gagal setelah jumlah kolom, jenis data kolom, atau ukuran data telah berubah.

Pesan pengecualian
Parameter tidak cocok. Salah satu parameter harus kurang dari atau sama dengan yang lain.
Nilai parameter "{0}" harus kurang dari atau sama dengan nilai parameter ""{1}.
Parameter "{0}" memiliki nilai "{1}" yang harus kurang dari atau sama dengan {2}.

Kesalahan 0008

Pengecualian terjadi jika parameter tidak dalam jangkauan.

Anda akan menerima kesalahan ini dalam Pembelajaran Mesin jika parameter dalam pesan berada di luar batas yang diperlukan agar modul memproses data.

Misalnya, kesalahan ini ditampilkan jika Anda mencoba menggunakan Tambahkan Baris untuk menggabungkan dua himpunan data yang memiliki jumlah kolom yang berbeda.

Resolusi: Kunjungi kembali modul yang melemparkan pengecualian dan ubah parameter dalam rentang yang ditentukan.

Pesan pengecualian
Nilai parameter tidak berada dalam rentang yang ditentukan.
Nilai parameter "{0}" tidak dalam rentang.
Nilai parameter "{0}" harus dalam rentang [{1}, {2}].

Kesalahan 0009

Pengecualian terjadi ketika nama akun penyimpanan Azure atau nama kontainer ditentukan dengan tidak benar.

Kesalahan ini terjadi di Pembelajaran Mesin Studio (klasik) saat Anda menentukan parameter untuk akun penyimpanan Azure, tetapi nama atau kata sandi tidak dapat diselesaikan. Kesalahan pada kata sandi atau nama akun dapat terjadi karena berbagai alasan:

• Akun tersebut adalah jenis yang salah. Beberapa jenis akun baru tidak didukung untuk digunakan dengan Pembelajaran Mesin Studio (klasik). Lihat Impor Data untuk detailnya.
• Anda memasukkan nama akun yang salah
• Akun tidak ada lagi
• Kata sandi untuk akun penyimpanan salah atau telah berubah
• Anda tidak menentukan nama kontainer, atau kontainer tidak ada
• Anda tidak sepenuhnya menentukan jalur file (jalur ke blob)

Resolusi:

Masalah seperti itu sering terjadi ketika Anda mencoba memasukkan nama akun, kata sandi, atau jalur kontainer secara manual. Kami menyarankan agar Anda menggunakan wizard baru untuk modulImpor Data, yang membantu Anda mencari dan memeriksa nama.

Periksa juga apakah akun, kontainer, atau blob telah dihapus. Gunakan utilitas penyimpanan Azure lain untuk memverifikasi bahwa nama akun dan kata sandi telah dimasukkan dengan benar, dan bahwa kontainer itu ada.

Beberapa jenis akun yang lebih baru tidak didukung oleh Pembelajaran Mesin. Misalnya, jenis penyimpanan "panas" atau "dingin" baru tidak dapat digunakan untuk pembelajaran mesin. Kedua akun penyimpanan klasik dan akun penyimpanan yang dibuat sebagai "Tujuan umum" berfungsi dengan baik.

Jika jalur lengkap ke blob ditentukan, verifikasi bahwa jalur ditentukan sebagai kontainer/nama blob, dan bahwa kedua kontainer dan blob ada di akun.

Jalur seharusnya tidak berisi garis miring di depannya. Misalnya /kontainer/blob tidak benar dan harus dimasukkan sebagai kontainer/blob.

Sumber

Lihat artikel ini untuk penjelasan tentang berbagai opsi penyimpanan yang didukung: Mengimpor data ke Pembelajaran Mesin Studio (klasik) dari berbagai sumber data online dengan modul Impor Data

Sampel eksperimen

Lihat eksperimen ini di Cortana Intelligence Gallery untuk contoh cara menyambungkan ke sumber data yang berbeda:

• Input data dari berbagai sumber: Lab ini menyediakan panduan visual untuk menggunakan banyak sumber data Azure ML: Eksperimen AzureML dan interaksi data

• Azure Cosmos DB: Membaca data dari Azure Cosmos DB di Pembelajaran Mesin

• Mengimpor data yang tidak dapat dibaca menggunakan Python: Memuat file non-teks dari penyimpanan Azure Blob

Pesan pengecualian
Nama akun penyimpanan Azure atau nama kontainer salah.
Nama akun penyimpanan Azure "{0}" atau nama kontainer "{1}" salah; nama kontainer format kontainer/blob diharapkan.

Kesalahan 0010

Pengecualian terjadi jika himpunan data input memiliki nama kolom yang seharusnya cocok tetapi tidak cocok.

Anda akan menerima kesalahan ini dalam Pembelajaran Mesin jika indeks kolom dalam pesan memiliki nama kolom yang berbeda dalam dua himpunan data input.

Resolusi: Gunakan Edit Metadata atau ubah himpunan data asli untuk memiliki nama kolom yang sama untuk indeks kolom yang ditentukan.

Pesan pengecualian
Kolom dengan indeks terkait dalam himpunan data input memiliki nama yang berbeda.
Nama kolom tidak sama untuk kolom {0} (berbasis nol) dari himpunan data input ({1} dan {2} masing-masing).

Kesalahan 0011

Pengecualian terjadi jika argumen kumpulan kolom yang dilewatkan tidak berlaku untuk kolom himpunan data mana pun.

Anda akan menerima kesalahan ini dalam Pembelajaran Mesin jika pilihan kolom yang ditentukan tidak cocok dengan kolom apa pun dalam himpunan data yang diberikan.

Anda juga bisa mendapatkan kesalahan ini jika Anda belum memilih kolom dan setidaknya satu kolom diperlukan agar modul berfungsi.

Resolusi: Ubah pilihan kolom dalam modul sehingga akan berlaku untuk kolom di kumpulan data.

Jika modul mengharuskan Anda memilih kolom tertentu, seperti kolom label, verifikasi bahwa kolom kanan dipilih.

Jika kolom yang tidak pantas dipilih, hapus dan jalankan ulang eksperimen.

Pesan pengecualian
Kumpulan kolom yang ditentukan tidak berlaku untuk kolom himpunan data apa pun.
Kumpulan kolom yang ditentukan "{0}" tidak berlaku untuk kolom himpunan data apa pun.

Kesalahan 0012

Pengecualian terjadi jika instans kelas tidak dapat dibuat dengan set argumen yang dilewatkan.

Resolusi: Kesalahan ini tidak dapat diambil tindakan oleh pengguna dan tidak akan digunakan lagi dalam rilis mendatang.

Pesan pengecualian
Model yang tidak terlatih, latih model terlebih dahulu.
Model yang tidak terlatih ({0}), gunakan model terlatih.

Kesalahan 0013

Pengecualian terjadi jika pelajar yang diteruskan ke modul adalah jenis yang tidak valid.

Kesalahan ini terjadi setiap kali model terlatih tidak kompatibel dengan modul penskoran yang tersambung. Misalnya, menyambungkan output Train Matchbox Recommender ke Score Model (bukan Score Matchbox Recommender) akan menghasilkan kesalahan ini saat eksperimen dijalankan.

Resolusi:

Tentukan jenis pelajar yang diproduksi oleh modul pelatihan, dan tentukan modul penskoran yang sesuai untuk pelajar itu.

Jika model dilatih menggunakan salah satu modul pelatihan khusus, sambungkan model terlatih hanya ke modul penskoran khusus yang sesuai.

Jenis model	Modul pelatihan	Modul penskoran
setiap penggolong	Melatih Model atau Menyempurnakan Hyperparameter Model	Skor Model
setiap model regresi	Melatih Model atau Menyempurnakan Hyperparameter Model	Berikan Skor Model
model pengklusteran	Melatih Model Pengklusteran atau Menyapu Pengklusteran	Tetapkan Data ke Kluster
deteksi anomali - One-Class SVM	Melatih Model Deteksi Anomali	Berikan Skor Model
deteksi anomali - PCA	Melatih Model atau Menyempurnakan Hyperparameter Model	Model Skor Beberapa langkah tambahan diperlukan untuk mengevaluasi model.
deteksi anomali - rangkaian waktu	Deteksi Anomali Rangkaian Waktu	Model melatih dari data dan menghasilkan skor. Modul tidak membuat pelajar terlatih dan tidak diperlukan penilaian tambahan.
model rekomendasi	Latih Pemberi Rekomendasi Matchbox	Menilai Pemberi Rekomendasi Matchbox
klasifikasi gambar	Klasifikasi Gambar Kaskade yang Telah Dilatih Sebelumnya	Berikan Skor Model
Model Vowpal Wabbit	Melatih Model Vowpal Wabbit Versi 7-4	Skor Vowpal Wabbit Versi 7-4 Model
Model Vowpal Wabbit	Melatih Model Vowpal Wabbit Versi 7-10	Skor Vowpal Wabbit Versi 7-10 Model
Model Vowpal Wabbit	Melatih Model Vowpal Wabbit Versi 8	Skor Vowpal Wabbit Versi 8 Model

Pesan pengecualian
Pelajar dengan tipe tidak valid dilewatkan.
Pelajar "{0}" memiliki jenis yang tidak valid.

Kesalahan 0014

Pengecualian terjadi jika hitungan nilai unik kolom lebih besar dari yang diizinkan.

Kesalahan ini terjadi ketika kolom berisi terlalu banyak nilai unik. Misalnya, Anda mungkin melihat kesalahan ini jika Anda menentukan bahwa kolom ditangani sebagai data kategoris, tetapi ada terlalu banyak nilai unik di kolom untuk memungkinkan pemrosesan selesai. Anda mungkin juga melihat kesalahan ini jika ada ketidakcocokan antara jumlah nilai unik dalam dua input.

Resolusi:

Buka modul yang menghasilkan kesalahan, dan identifikasi kolom yang digunakan sebagai input. Untuk beberapa modul, Anda dapat mengeklik kanan input himpunan data dan memilih Visualisasi untuk mendapatkan statistik pada kolom individual, termasuk jumlah nilai unik dan distribusinya.

Untuk kolom yang ingin Anda gunakan untuk pengelompokan atau kategorisasi, lakukan langkah-langkah untuk mengurangi jumlah nilai unik dalam kolom. Anda dapat mengurangi dengan cara yang berbeda, bergantung pada jenis data kolom.

• Untuk data teks, Anda mungkin dapat menggunakan Teks Praproses untuk menciutkan entri serupa.
• Untuk data numerik, Anda dapat membuat sejumlah kecil bin menggunakan Data Grup ke dalam Bin, menghapus atau memotong nilai menggunakan Nilai Klip, atau menggunakan metode pembelajaran mesin seperti Analisis Komponen Utama atau Pembelajaran dengan Hitungan untuk mengurangi dimensi data.

Tip

Tak bisa menemukan resolusi yang cocok dengan skenario Anda? Anda dapat memberikan umpan balik tentang topik ini yang menyertakan nama modul yang menghasilkan kesalahan, dan jenis data dan kardinalitas kolom. Kami akan menggunakan informasi tersebut untuk memberikan langkah-langkah pemecahan masalah yang lebih tepat sasaran untuk skenario umum.

Pesan pengecualian
Jumlah nilai unik kolom lebih besar dari yang diizinkan.
Jumlah nilai unik dalam kolom: "{0}" melebihi jumlah {1}tuple .

Kesalahan 0015

Pengecualian terjadi jika koneksi database gagal.

Anda akan menerima kesalahan ini jika Anda memasukkan nama akun SQL yang salah, kata sandi, server database, atau nama database, atau jika sambungan dengan database tidak dapat dibuat karena masalah dengan database atau server.

Resolusi: Verifikasi bahwa nama akun, kata sandi, server database, dan database telah dimasukkan dengan benar, dan bahwa akun yang ditentukan memiliki tingkat izin yang benar. Verifikasi bahwa database saat ini dapat diakses.

Pesan pengecualian
Kesalahan membuat koneksi database.
Kesalahan saat membuat koneksi database: {0}.

Kesalahan 0016

Pengecualian terjadi jika input himpunan data yang diteruskan ke modul harus memiliki jenis kolom yang kompatibel tetapi tidak.

Anda akan menerima kesalahan ini dalam Pembelajaran Mesin jika jenis kolom yang diteruskan dalam dua himpunan data atau lebih tidak kompatibel satu sama lain.

Resolusi: Gunakan Edit Metadata, ubah himpunan data input asli, atau gunakan Konversi ke Himpunan Data untuk memastikan bahwa jenis kolom kompatibel.

Pesan pengecualian
Kolom dengan indeks terkait dalam himpunan data input memang memiliki jenis yang tidak kompatibel.
{0} Kolom dan {1} tidak kompatibel.
Jenis elemen kolom tidak kompatibel untuk kolom {0} (berbasis nol) dari himpunan data input ({1} dan {2} masing-masing).

Kesalahan 0017

Pengecualian terjadi jika kolom yang dipilih menggunakan jenis data yang tidak didukung oleh modul saat ini.

Misalnya, Anda mungkin menerima kesalahan ini di Pembelajaran Mesin jika pilihan kolom Anda menyertakan kolom dengan jenis data yang tidak dapat diproses oleh modul, seperti kolom string untuk operasi matematika, atau kolom skor tempat kolom fitur kategoris diperlukan.

Resolusi:

1. Identifikasi kolom yang menjadi masalah.
2. Ulasan persyaratan modul.
3. Ubah kolom agar sesuai dengan persyaratan. Anda mungkin perlu menggunakan beberapa modul berikut untuk membuat perubahan, bergantung pada kolom dan konversi yang Anda coba:
   • Gunakan Edit Metadata untuk mengubah jenis data kolom, atau untuk mengubah penggunaan kolom dari fitur menjadi numerik, kategoris menjadi non-kategoris, dan sebagainya.
   • Gunakan Konversi ke Himpunan Data untuk memastikan bahwa semua kolom yang disertakan menggunakan jenis data yang didukung oleh Pembelajaran Mesin. Jika Anda tidak dapat mengonversi kolom, pertimbangkan untuk menghapusnya dari himpunan data input.
   • Gunakan modul Terapkan Transformasi SQL atau Jalankan Skrip R untuk mentransmisikan atau mengonversi kolom apa pun yang tidak dapat dimodifikasi menggunakan Edit Metadata. Modul ini memberikan lebih banyak fleksibilitas untuk bekerja dengan jenis data tanggalwaktu.
   • Untuk jenis data numerik, Anda dapat menggunakan modul Terapkan Operasi Matematika untuk membulatkan atau memotong nilai, atau menggunakan modul Nilai Klip untuk menghapus nilai di luar rentang.
4. Sebagai upaya terakhir, Anda mungkin perlu memodifikasi himpunan data input asli.

Tip

Tak bisa menemukan resolusi yang cocok dengan skenario Anda? Anda dapat memberikan umpan balik tentang topik ini yang menyertakan nama modul yang menghasilkan kesalahan, dan jenis data dan kardinalitas kolom. Kami akan menggunakan informasi tersebut untuk memberikan langkah-langkah pemecahan masalah yang lebih tepat sasaran untuk skenario umum.

Pesan pengecualian
Tak bisa memproses kolom dari jenis saat ini. Jenis ini tidak didukung oleh modul.
Tidak dapat memproses kolom jenis {0}. Jenis ini tidak didukung oleh modul.
Tidak dapat memproses kolom "{1}" dari jenis {0}. Jenis ini tidak didukung oleh modul.
Tidak dapat memproses kolom "{1}" dari jenis {0}. Jenis ini tidak didukung oleh modul. Nama Parameter: {2}

Kesalahan 0018

Pengecualian terjadi jika input himpunan data tidak valid.

Resolusi: Kesalahan dalam Pembelajaran Mesin ini dapat muncul dalam banyak konteks, sehingga tidak ada satu resolusi pun. Secara umum, kesalahan menunjukkan bahwa data yang disediakan sebagai input ke modul memiliki jumlah kolom yang salah, atau bahwa jenis data tidak cocok dengan persyaratan modul. Contohnya:

• Modul memerlukan kolom label, tetapi tidak ada kolom yang ditandai sebagai label, atau Anda belum memilih kolom label.

• Modul ini mengharuskan datanya kategoris tetapi data Anda adalah numerik.

• Modul ini memerlukan jenis data tertentu. Misalnya, peringkat yang diberikan kepada Train Matchbox Recommender dapat berupa angka atau kategoris, tetapi tidak dapat berupa angka floating point.

• Data dalam format yang salah.

• Data yang diimpor berisi karakter yang tidak valid, nilai buruk, atau nilai di luar rentang.

• Kolom kosong atau berisi terlalu banyak nilai yang hilang.

Untuk menentukan persyaratan dan bagaimana data Anda bisa menentukan, ulasan topik bantuan untuk modul yang akan menggunakan himpunan data sebagai input.

Kami juga menyarankan agar Anda menggunakan Ringkasan Data atau Statistik Dasar Komputasi untuk memprofilkan data Anda, dan menggunakan modul ini untuk memperbaiki metadata dan nilai bersih: Edit Metadata, Bersihkan Data yang Hilang, Nilai Klip.

Pesan pengecualian
Himpunan data tidak valid.
{0} berisi data yang tidak valid.
{0} dan {1} harus konsisten kolom bijaksana.

Kesalahan 0019

Pengecualian terjadi jika kolom diharapkan berisi nilai yang diurutkan, tetapi tidak.

Anda akan menerima kesalahan ini dalam Pembelajaran Mesin jika nilai kolom yang ditentukan tidak berurutan.

Resolusi: Urutkan nilai kolom dengan mengubah himpunan data input secara manual dan jalankan ulang modul.

Pesan pengecualian
Nilai dalam kolom tidak diurutkan.
Nilai dalam kolom "{0}" tidak diurutkan.
Nilai dalam kolom "{0}" himpunan data "{1}" tidak diurutkan.

Kesalahan 0020

Pengecualian terjadi jika jumlah kolom di beberapa himpunan data yang diteruskan ke modul terlalu kecil.

Anda akan menerima kesalahan ini di Pembelajaran Mesin jika tidak cukup kolom yang telah dipilih untuk modul.

Resolusi: Lihat kembali modul dan pastikan bahwa pemilih kolom memiliki jumlah kolom yang dipilih dengan benar.

Pesan pengecualian
Jumlah kolom dalam himpunan data input kurang dari minimum yang diperbolehkan.
Jumlah kolom dalam himpunan data input kurang dari minimum {0} kolom yang diizinkan.
Jumlah kolom dalam himpunan data input "{0}" kurang dari minimum {1} kolom yang diizinkan.

Kesalahan 0021

Pengecualian terjadi jika jumlah kolom di beberapa himpunan data yang diteruskan ke modul terlalu kecil.

Kesalahan ini terlihat dalam Pembelajaran Mesin ketika tidak ada cukup baris dalam himpunan data untuk melakukan operasi yang ditentukan. Misalnya, Anda mungkin melihat kesalahan ini jika himpunan data input kosong, atau jika Anda mencoba melakukan operasi yang memerlukan beberapa jumlah baris minimum agar valid. Operasi tersebut dapat mencakup (tetapi tidak terbatas pada) pengelompokan atau klasifikasi berdasarkan metode statistik, jenis binning tertentu, dan pembelajaran dengan hitungan.

Resolusi:

• Buka modul yang mengembalikan kesalahan, dan periksa properti himpunan data dan modul input.
• Verifikasi bahwa himpunan data input tidak kosong dan ada cukup baris data untuk memenuhi persyaratan yang dijelaskan dalam bantuan modul.
• Jika data Anda dimuat dari sumber eksternal, pastikan sumber data tersedia dan tidak ada kesalahan atau perubahan definisi data yang akan menyebabkan proses impor mendapatkan lebih sedikit baris.
• Jika Anda melakukan operasi pada data di upstram modul yang dapat memengaruhi jenis data atau jumlah nilai, seperti membersihkan, memisahkan, atau menggabungkan operasi, periksa output operasi tersebut untuk menentukan jumlah baris yang dikembalikan.

Kesalahan 0022

Pengecualian terjadi jika jumlah kolom yang dipilih dalam himpunan data input tidak sama dengan angka yang diharapkan.

Kesalahan dalam Pembelajaran Mesin ini dapat terjadi ketika modul atau operasi hilir memerlukan sejumlah kolom atau input tertentu, dan Anda telah menyediakan terlalu sedikit atau terlalu banyak kolom atau input. Contohnya:

• Anda menentukan kolom label tunggal atau kolom kunci dan secara tidak sengaja memilih beberapa kolom.

• Anda mengganti nama kolom, tetapi memberikan lebih banyak atau lebih sedikit nama daripada kolom.

• Jumlah kolom di sumber atau tujuan telah berubah atau tidak cocok dengan jumlah kolom yang digunakan oleh modul.

• Anda telah menyediakan daftar nilai yang dipisahkan koma untuk input, tetapi jumlah nilai tersebut tidak cocok, atau beberapa input tidak didukung.

Resolusi: Lihat kembali modul dan periksa pilihan kolom untuk memastikan bahwa jumlah kolom yang benar dipilih. Verifikasi output modul upstram, dan persyaratan operasi hilir.

Jika Anda menggunakan salah satu opsi pemilihan kolom yang bisa memilih beberapa kolom (indeks kolom, semua fitur, semua numerik, dan lain-lain), validasi jumlah kolom yang tepat yang dikembalikan oleh pilihan.

Jika Anda mencoba menentukan daftar himpunan data yang dipisahkan koma sebagai input untuk Membuka Kemasan Himpunan Data Zip, bongkap hanya satu himpunan data pada satu waktu. Beberapa input tidak didukung.

Verifikasi bahwa angka atau jenis kolom upstram tidak berubah.

Jika Anda menggunakan himpunan data rekomendasi untuk melatih model, ingatlah bahwa pemberi rekomendasi mengharapkan jumlah kolom yang terbatas, sesuai dengan pasangan item pengguna atau peringkat item pengguna. Hapus kolom tambahan sebelum melatih model atau memisahkan himpunan data rekomendasi. Untuk informasi selengkapnya, lihat Pisahkan Data.

Pesan pengecualian
Jumlah kolom yang dipilih dalam himpunan data input tidak sama dengan jumlah yang diharapkan.
Jumlah kolom yang dipilih dalam himpunan data input tidak sama dengan {0}.
Pola pemilihan kolom "{0}" menyediakan jumlah kolom yang dipilih dalam himpunan data input tidak sama dengan {1}.
Pola pemilihan kolom "{0}" diharapkan untuk menyediakan {1} kolom yang dipilih dalam himpunan data input, tetapi {2} kolom disediakan.

Kesalahan 0023

Pengecualian terjadi jika kolom target himpunan data input tidak valid untuk modul pelatih saat ini.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika kolom target (seperti yang dipilih dalam parameter modul) bukan dari jenis data yang valid, berisi semua nilai yang hilang, atau tidak kategoris seperti yang diharapkan.

Resolusi: Kunjungi kembali input modul untuk memeriksa konten kolom label/target. Pastikan tidak memiliki semua nilai yang hilang. Jika modul mengharapkan kolom target menjadi kategoris, pastikan bahwa ada lebih dari satu nilai berbeda di kolom target.

Pesan pengecualian
Himpunan data input memiliki kolom target yang tidak didukung.
Himpunan data input memiliki kolom target "{0}"yang tidak didukung.
Himpunan data input memiliki kolom target "{0}" yang tidak didukung untuk pelajar jenis {1}.

Kesalahan 0024

Pengecualian terjadi jika himpunan data tidak berisi kolom label.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika modul memerlukan kolom label dan himpunan data tidak memiliki kolom label. Misalnya, evaluasi himpunan data yang diberi skor biasanya mengharuskan kolom label hadir untuk komputasi metrik akurasi.

Ini juga dapat terjadi bahwa kolom label ada di himpunan data, tetapi tidak terdeteksi dengan benar oleh Pembelajaran Mesin.

Resolusi:

• Buka modul yang menghasilkan kesalahan, dan tentukan apakah kolom label ada. Nama atau jenis data kolom tidak menjadi masalah, selama kolom berisi satu hasil (atau variabel dependen) yang coba Anda prediksi. Jika Anda tidak yakin kolom mana yang memiliki label, cari nama generik seperti Kelas atau Target.
• Jika himpunan data tidak menyertakan kolom label, ada kemungkinan kolom label dihapus secara eksplisit atau tidak sengaja di upstram. Bisa juga bahwa himpunan data bukan output dari modul penskoran upstram.
• Untuk menandai kolom secara eksplisit sebagai kolom label, tambahkan modul Edit Metadata dan sambungkan himpunan data. Pilih hanya kolom label, dan pilih Label dari daftar turun Bidang.
• Jika kolom yang salah dipilih sebagai label, Anda bisa memilihHapus label dari Bidang untuk memperbaiki metadata pada kolom.

Pesan pengecualian
Tidak ada kolom label dalam himpunan data.
Tidak ada kolom label di "{0}".

Kesalahan 0025

Pengecualian terjadi jika himpunan data tidak berisi kolom skor.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika input ke model evaluasi tidak berisi kolom skor yang valid. Misalnya, pengguna mencoba mengevaluasi himpunan data sebelum dicetak dengan model terlatih yang benar, atau kolom skor secara eksplisit dihilangkan upstram. Pengecualian ini juga terjadi jika kolom skor pada dua himpunan data tidak kompatibel. Misalnya, Anda mungkin mencoba membandingkan akurasi regresi linier dengan pengklasifikasi biner.

Resolusi: Lihat kembali input ke model evaluasi dan periksa apakah berisi satu atau beberapa kolom skor. Jika tidak, himpunan data tidak dicetak atau kolom skor dihilangkan dalam modul upstram.

Pesan pengecualian
Tidak ada kolom skor dalam himpunan data.
Tidak ada kolom skor di "{0}".
Tidak ada kolom skor dalam "{0}" yang diproduksi oleh "{1}". Cetak himpunan data menggunakan jenis pelajar yang benar.

Kesalahan 0026

Pengecualian terjadi jika kolom dengan nama yang sama tidak diperbolehkan.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika beberapa kolom memiliki nama yang sama. Salah satu cara Anda mungkin menerima kesalahan ini adalah jika himpunan data tidak memiliki baris header dan nama kolom secara otomatis ditetapkan: Col0, Col1, dan lain-lain.

Resolusi: Jika kolom memiliki nama yang sama, sisipkan modul Edit Metadata antara himpunan data input dan modul. Gunakan pemilih kolom di Edit Metadata untuk memilih kolom untuk mengganti nama, mengetikkan nama baru ke dalam kotak teks Nama kolom baru.

Pesan pengecualian
Nama kolom sama ditentukan dalam argumen. Nama kolom yang sama tidak diperbolehkan oleh modul.
Nama kolom yang sama dalam argumen "{0}" dan "{1}" tidak diperbolehkan. Tentukan nama yang berbeda.

Kesalahan 0027

Pengecualian terjadi jika dua objek harus memiliki ukuran yang sama tetapi tidak.

Ini adalah kesalahan umum dalam Pembelajaran Mesin dan dapat disebabkan oleh banyak kondisi.

Resolusi: Tidak ada resolusi khusus. Namun, Anda dapat memeriksa kondisi seperti berikut ini:

• Jika Anda mengganti nama kolom, pastikan bahwa setiap daftar (kolom input dan daftar nama baru) memiliki jumlah item yang sama.

• Jika Anda menggabungkan atau menyatukan dua himpunan data, pastikan mereka memiliki skema yang sama.

• Jika Anda menggabungkan dua himpunan data yang memiliki beberapa kolom, pastikan bahwa kolom kunci memiliki jenis data yang sama, dan pilih opsi Perbolehkan duplikat dan pertahankan urutan kolom dalam pilihan.

Pesan pengecualian
Ukuran objek yang dilewatkan tidak konsisten.
Ukuran "{0}" tidak konsisten dengan ukuran "{1}".

Kesalahan 0028

Pengecualian terjadi dalam kasus ketika kumpulan kolom berisi nama kolom yang diduplikasi dan tidak diperbolehkan.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika nama kolom diduplikasi; yaitu, tidak unik.

Resolusi: Jika ada kolom yang memiliki nama yang sama, tambahkan instans Edit Metadata antara himpunan data input dan modul yang mengajukan kesalahan. Gunakan Pemilih Kolom di Edit Metadata untuk memilih kolom untuk mengganti nama, mengetikkan nama baru ke dalam kotak teks Nama kolom baru. Jika Anda mengganti nama beberapa kolom, pastikan nilai yang Anda ketik dalam Nama kolom baru adalah unik.

Pesan pengecualian
Kumpulan kolom berisi nama kolom yang diduplikasi.
Nama "{0}" diduplikasi.
Nama "{0}" diduplikasi dalam "{1}".

Kesalahan 0029

Pengecualian terjadi dalam kasus jika URI tidak valid dilewatkan.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika URI tidak valid diteruskan. Anda akan menerima kesalahan ini jika salah satu kondisi berikut ini benar:, atau.

• URI Publik atau SAS yang disediakan untuk Azure Blob Storage untuk dibaca atau ditulis berisi kesalahan.

• Jendela waktu untuk SAS telah kedaluwarsa.

• URL Web melalui sumber HTTP mewakili file atau URI loopback.

• URL Web melalui HTTP memuat URL yang salah diformat.

• URL tidak dapat diatasi oleh sumber jarak jauh.

Resolusi: Lihat kembali modul dan verifikasi format URI. Jika sumber data adalah URL Web melalui HTTP, verifikasi bahwa sumber yang dimaksud bukan file atau URI loopback (localhost).

Pesan pengecualian
Uri tidak valid dilewatkan.

Kesalahan 0030

Pengecualian terjadi dalam kasus ketika tidak dimungkinkan untuk mengunduh file.

Pengecualian dalam Pembelajaran Mesin ini terjadi ketika tidak dimungkinkan untuk mengunduh file. Anda akan menerima pengecualian ini ketika upaya membaca dari sumber HTTP telah gagal setelah tiga (3) kali mencoba kembali.

Resolusi: Verifikasi bahwa URI ke sumber HTTP sudah benar dan situs tersebut saat ini dapat diakses melalui internet.

Pesan pengecualian
Tidak dapat mengunduh file.
Kesalahan saat mengunduh file: {0}.

Kesalahan 0031

Pengecualian terjadi jika jumlah kolom dalam kumpulan kolom kurang dari yang diperlukan.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika jumlah kolom yang dipilih kurang dari yang diperlukan. Anda akan menerima kesalahan ini jika jumlah kolom minimum yang diperlukan tidak dipilih.

Resolusi: Tambahkan kolom tambahan ke pilihan kolom dengan menggunakan Pemilih Kolom.

Pesan pengecualian
Jumlah kolom dalam kumpulan kolom kurang dari yang diperlukan.
{0} kolom harus ditentukan. Jumlah sebenarnya dari kolom yang ditentukan adalah {1}.

Kesalahan 0032

Pengecualian terjadi jika argumen bukan sebuah angka.

Anda akan menerima kesalahan ini dalam Pembelajaran Mesin jika argumen adalah ganda atau NaN.

Resolusi: Mengubah argumen yang ditentukan untuk menggunakan nilai yang valid.

Pesan pengecualian
Argumen bukan sebuah angka.
"{0}" bukan angka.

Kesalahan 0033

Pengecualian terjadi jika argumen adalah Tidak terbatas.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika argumen tidak terbatas. Anda akan menerima kesalahan ini jika argumen merupakan baik double.NegativeInfinity atau double.PositiveInfinity.

Resolusi: Mengubah argumen yang ditentukan untuk menggunakan nilai yang valid.

Pesan pengecualian
Argumen harus terbatas.
"{0}" tidak terbatas.

Kesalahan 0034

Pengecualian terjadi jika ada lebih dari satu peringkat untuk pasangan item pengguna yang diberikan.

Kesalahan dalam Pembelajaran Mesin ini terjadi dalam rekomendasi jika pasangan item pengguna memiliki lebih dari satu nilai peringkat.

Resolusi: Pastikan bahwa pasangan item pengguna hanya memiliki satu nilai peringkat saja.

Pesan pengecualian
Ada lebih dari satu peringkat untuk nilai dalam himpunan data.
Lebih dari satu peringkat untuk pengguna {0} dan item {1} dalam tabel data prediksi peringkat.

Kesalahan 0035

Pengecualian terjadi jika tidak ada fitur yang disediakan untuk pengguna atau item yang diberikan.

Kesalahan dalam Pembelajaran Mesin ini terjadi, Anda mencoba menggunakan model rekomendasi untuk penilaian tetapi vektor fitur tidak dapat ditemukan.

Resolusi:

Pemberi rekomendasi Matchbox memiliki persyaratan tertentu yang harus dipenuhi saat menggunakan fitur item atau fitur pengguna. Kesalahan ini menunjukkan bahwa vektor fitur hilang untuk pengguna atau item yang Anda berikan sebagai input. Anda harus memastikan bahwa vektor fitur tersedia dalam data untuk setiap pengguna atau item.

Misalnya, jika Anda melatih model rekomendasi menggunakan fitur seperti usia, lokasi, atau pendapatan pengguna, tetapi sekarang ingin membuat skor untuk pengguna baru yang tidak terlihat selama pelatihan, Anda harus menyediakan beberapa set fitur yang setara (yaitu, nilai usia, lokasi, dan pendapatan) bagi pengguna baru untuk membuat prediksi yang sesuai untuk mereka.

Jika Anda tidak memiliki fitur apa pun untuk pengguna ini, pertimbangkan merekayasa fitur untuk menghasilkan fitur yang sesuai. Misalnya, jika Anda tidak memiliki nilai usia atau pendapatan pengguna individual, Anda mungkin menghasilkan perkiraan nilai untuk digunakan untuk sekelompok pengguna.

Saat menilai dari mode rekomendasi, Anda dapat menggunakan fitur item atau pengguna hanya jika Sebelumnya Anda menggunakan item atau fitur pengguna selama pelatihan. Untuk informasi selengkapnya, lihat Menilai Pemberi Rekomendasi Matchbox.

Untuk informasi umum tentang cara kerja algoritma rekomendasi Matchbox, dan cara menyiapkan himpunan data fitur item atau fitur pengguna, lihat Melatih Pemberi Rekomendasi Matchbox.

Tip

Resolusi tidak berlaku untuk kasus Anda? Anda dipersilakan untuk mengirim umpan balik tentang artikel ini dan memberikan informasi tentang skenario, termasuk modul dan jumlah baris di kolom. Kami akan menggunakan informasi ini untuk memberikan langkah-langkah pemecahan masalah yang lebih rinci di masa mendatang.

Pesan pengecualian
Tidak ada fitur yang disediakan untuk pengguna atau item yang diperlukan.
Fitur untuk {0} diperlukan tetapi tidak disediakan.

Kesalahan 0036

Pengecualian terjadi jika beberapa vektor fitur disediakan untuk pengguna atau item yang diberikan.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika vektor fitur didefinisikan lebih dari sekali.

Resolusi: Pastikan bahwa vektor fitur tidak didefinisikan lebih dari sekali.

Pesan pengecualian
Definisi fitur duplikat untuk pengguna atau item.
Definisi fitur duplikat untuk {0}.

Kesalahan 0037

Pengecualian terjadi jika beberapa kolom label ditentukan dan hanya satu yang diizinkan.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika lebih dari satu kolom dipilih untuk menjadi kolom label baru. Sebagian besar algoritma pembelajaran yang diawasi memerlukan satu kolom untuk ditandai sebagai target atau label.

Resolusi: Pastikan untuk memilih satu kolom sebagai kolom label baru.

Pesan pengecualian
Beberapa kolom label ditentukan.

Kesalahan 0038

Pengecualian terjadi jika jumlah elemen yang diharapkan harus menjadi nilai yang tepat, tetapi tidak.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika jumlah elemen yang diharapkan harus menjadi nilai yang tepat, tetapi tidak. Anda akan menerima kesalahan ini jika jumlah elemen tidak sama dengan nilai yang diharapkan yang valid.

Resolusi: Ubah input agar memiliki jumlah elemen yang benar.

Pesan pengecualian
Jumlah elemen tidak valid.
Jumlah elemen dalam "{0}" tidak valid.
Jumlah elemen dalam "{0}" tidak sama dengan jumlah {1} elemen yang valid.

Kesalahan 0039

Pengecualian terjadi jika operasi gagal.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika operasi internal tidak dapat diselesaikan.

Resolusi: Kesalahan ini disebabkan oleh banyak kondisi dan tidak ada perbaikan khusus.
Tabel berikut berisi pesan umum untuk kesalahan ini, yang diikuti oleh deskripsi tertentu tentang kondisi tersebut.

Jika tidak ada detail yang tersedia, kirim umpan balik dan berikan informasi tentang modul yang menghasilkan kesalahan dan kondisi terkait.

Pesan pengecualian
Operasi gagal.
Kesalahan saat menyelesaikan operasi: {0}.

Kesalahan 0040

Pengecualian terjadi saat memanggil modul yang tidak digunakan lagi.

Kesalahan dalam Pembelajaran Mesin ini dihasilkan saat memanggil modul yang tidak digunakan lagi.

Resolusi: Ganti modul yang tidak digunakan lagi dengan modul yang didukung. Lihat log output modul untuk informasi tentang modul mana yang akan digunakan sebagai gantinya.

Pesan pengecualian
Mengakses modul yang tidak digunakan lagi.
Modul "{0}" tidak digunakan lagi. Gunakan modul "{1}" sebagai gantinya.

Kesalahan 0041

Pengecualian terjadi saat memanggil modul yang tidak digunakan lagi.

Kesalahan dalam Pembelajaran Mesin ini dihasilkan saat memanggil modul yang tidak digunakan lagi.

Resolusi: Ganti modul yang tidak digunakan lagi dengan sekumpulan modul yang didukung. Informasi ini harus terlihat dalam log output modul.

Pesan pengecualian
Mengakses modul yang tidak digunakan lagi.
Modul "{0}" tidak digunakan lagi. Gunakan modul "{1}" untuk fungsionalitas yang diminta.

Kesalahan 0042

Pengecualian terjadi ketika tidak dimungkinkan untuk mengonversi kolom ke jenis lain.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika tidak dimungkinkan untuk mengonversi kolom ke jenis yang ditentukan. Anda akan menerima kesalahan ini jika modul memerlukan jenis data tertentu, seperti tanggalwaktu, teks, bilangan titik ambang, atau bilangan bulat, tetapi tidak mungkin untuk mengonversi kolom yang ada ke jenis yang diperlukan.

Misalnya, Anda dapat memilih kolom dan mencoba mengonversinya menjadi jenis data numerik untuk digunakan dalam operasi matematika, dan mendapatkan kesalahan ini jika kolom berisi data yang tidak valid.

Alasan lain Anda mungkin mendapatkan kesalahan ini jika Anda mencoba menggunakan kolom yang berisi bilangan titik ambang atau banyak nilai unik sebagai kolom kategoris.

Resolusi:

• Buka halaman bantuan untuk modul yang menghasilkan kesalahan, dan verifikasi persyaratan jenis data.
• Ulasan jenis data kolom dalam himpunan data input.
• Periksa data yang berasal dari apa yang disebut sumber data tanpa skema.
• Periksa himpunan data untuk nilai yang hilang atau karakter khusus yang mungkin memblokir konversi ke jenis data yang diinginkan.
  • Jenis data numerik harus konsisten: misalnya, periksa bilangan titik ambang dalam kolom bilangan bulat.
  • Cari untai (karakter) teks atau nilai NA dalam kolom angka.
  • Nilai Boolean dapat dikonversi ke representasi yang sesuai tergantung pada jenis data yang diperlukan.
  • Memeriksa kolom teks untuk karakter non unicode, karakter tab, atau karakter kontrol
  • Data tanggalwaktu harus konsisten untuk menghindari kesalahan pemodelan, tetapi pembersihan bisa rumit karena banyak format. Pertimbangkan untuk menggunakan modul Jalankan Skrip R atau Jalankan Skrip Python untuk melakukan pembersihan.
• Jika perlu, ubah nilai dalam himpunan data input sehingga kolom berhasil dikonversi. Pengubahan bisa saja termasuk operasi binning, pemotongan, atau pembulatan, penghapusan titik luar, atau imputasi nilai yang hilang. Lihat artikel berikut ini untuk beberapa skenario transformasi data umum dalam pembelajaran mesin:
  • Nilai Klip
  • Bersihkan Data yang Hilang
  • Menormalkan Data
  • Mengelompokkan Data Ke Dalam Bin

Tip

Resolusi tidak jelas, atau tidak berlaku untuk kasus Anda? Anda dipersilakan untuk mengirim umpan balik tentang artikel ini dan memberikan informasi tentang skenario, termasuk modul dan jenis data di kolom. Kami akan menggunakan informasi ini untuk memberikan langkah-langkah pemecahan masalah yang lebih rinci di masa mendatang.

Pesan pengecualian
Konversi tidak diperbolehkan.
Tidak dapat mengonversi kolom tipe {0} ke kolom tipe {1}.
Tidak dapat mengonversi kolom "{2}" dari tipe {0} ke kolom tipe {1}.
Tidak dapat mengonversi kolom "{2}" dari jenis {0} ke kolom "{3}" dari jenis {1}.

Kesalahan 0043

Pengecualian terjadi ketika jenis elemen tidak secara eksplisit mengimplementasikan Equals.

Kesalahan dalam Pembelajaran Mesin ini tidak digunakan dan tidak akan digunakan lagi.

Resolusi: Tidak.

Pesan pengecualian
Tidak ditemukan metode eksplisit yang dapat diakses Sama dengan.
Tidak dapat membandingkan nilai untuk kolom \"{0}\" dari tipe {1}. Tidak ditemukan metode eksplisit yang dapat diakses Sama dengan.

Kesalahan 0044

Pengecualian terjadi ketika tidak dimungkinkan untuk memperoleh jenis elemen kolom dari nilai yang ada.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika tidak dimungkinkan untuk menyimpulkan jenis kolom atau kolom dalam himpunan data. Ini biasanya terjadi saat menyatukan dua atau lebih himpunan data dengan jenis elemen yang berbeda. Jika Pembelajaran Mesin tidak dapat menentukan jenis umum yang dapat mewakili semua nilai dalam kolom atau kolom tanpa kehilangan informasi, itu akan menghasilkan kesalahan ini.

Resolusi: Pastikan bahwa semua nilai dalam kolom yang diberikan di kedua himpunan data yang digabungkan adalah jenis yang sama (numerik, Boolean, kategoris, untai (karakter), tanggal, dan lain-lain) atau dapat dipaksa ke jenis yang sama.

Pesan pengecualian
Tidak bisa memperoleh jenis elemen kolom.
Tidak dapat memperoleh tipe elemen untuk kolom "{0}" -- semua elemen adalah referensi null.
Tidak dapat memperoleh tipe elemen untuk kolom "{0}" himpunan data "{1}" -- semua elemen adalah referensi null.

Kesalahan 0045

Pengecualian terjadi ketika tidak dimungkinkan untuk membuat kolom karena jenis elemen campuran di sumber.

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika jenis elemen dari dua himpunan data yang digabungkan berbeda.

Resolusi: Pastikan bahwa semua nilai dalam kolom yang diberikan di kedua himpunan data yang digabungkan adalah jenis yang sama (numerik, Boolean, kategoris, untai (karakter), tanggal, dan lain-lain).

Pesan pengecualian
Tidak dapat membuat kolom dengan jenis elemen campuran.
Tidak dapat membuat kolom dengan ID "{0}" dari tipe elemen campuran:\n\tType data[{1}, {0}] adalah {2}\n\tTipe data[{3}, {0}] adalah {4}.

Kesalahan 0046

Pengecualian terjadi ketika tidak dimungkinkan untuk membuat direktori pada jalur yang ditentukan.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika tidak dimungkinkan untuk membuat direktori pada jalur yang ditentukan. Anda akan menerima kesalahan ini jika ada bagian dari jalur ke direktori output untuk Kueri Apache Hive adalah salah atau tidak dapat diakses.

Resolusi: Lihat kembali modul dan verifikasi bahwa jalur direktori diformat dengan benar dan dapat diakses dengan mandat saat ini.

Pesan pengecualian
Tentukan direktori output yang valid.
Direktori: {0} tidak dapat dibuat. Tentukan jalur yang valid.

Kesalahan 0047

Pengecualian terjadi jika jumlah kolom fitur di beberapa himpunan data yang diteruskan ke modul terlalu kecil.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika himpunan data input ke pelatihan tidak berisi jumlah minimum kolom yang diperlukan oleh algoritma. Biasanya antara himpunan data kosong atau hanya berisi kolom pelatihan.

Resolusi: Buka kembali himpunan data input untuk memastikan ada satu atau beberapa kolom tambahan selain kolom label.

Pesan pengecualian
Jumlah kolom fitur dalam himpunan data input kurang dari minimum yang diperbolehkan.
Jumlah kolom fitur dalam himpunan data input kurang dari {0} kolom minimum yang diizinkan.
Jumlah kolom fitur dalam himpunan data input "{0}" kurang dari {1} kolom minimum yang diizinkan.

Kesalahan 0048

Pengecualian terjadi dalam kasus ketika tidak dimungkinkan untuk membuka file.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika tidak dimungkinkan untuk membuka file untuk dibaca atau ditulis. Anda mungkin menerima kesalahan ini karena alasan berikut:

• Kontainer atau file (blob) tidak ada

• Tingkat akses file atau kontainer tidak memungkinkan Anda untuk mengakses file

• File terlalu besar untuk dibaca atau format yang salah

Resolusi: Lihat kembali modul dan file yang coba Anda baca.

Pastikan bahwa nama kontainer dan file sudah benar.

Gunakan portal klasik Azure atau alat penyimpanan Azure untuk memverifikasi bahwa Anda memiliki izin untuk mengakses file itu.

Jika Anda mencoba membaca file gambar, pastikan file tersebut memenuhi persyaratan untuk file gambar dalam hal ukuran, jumlah piksel, dan sebagainya. Untuk informasi selengkapnya, lihat Mengimpor Gambar.

Pesan pengecualian
Tak bisa membuka file.
Kesalahan saat membuka file: {0}.

Kesalahan 0049

Pengecualian terjadi dalam kasus ketika tidak dimungkinkan untuk mengurai file.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika tidak dimungkinkan untuk mengurai file. Anda akan menerima kesalahan ini jika format file yang dipilih dalam modul Impor Data tidak cocok dengan format file yang sebenarnya, atau jika file berisi karakter yang tidak dikenali.

Resolusi: Kunjungi kembali modul dan perbaiki pemilihan format file jika tidak cocok dengan format file tersebut. Jika memungkinkan, periksa file untuk mengonfirmasi bahwa file tersebut tidak berisi karakter ilegal.

Pesan pengecualian
Tidak dapat mengurai berkas.
Kesalahan saat mengurai file: {0}.

Kesalahan 0050

Pengecualian terjadi dalam kasus ketika file input dan output sama.

Resolusi: Kesalahan dalam Pembelajaran Mesin ini tidak digunakan dan tidak akan digunakan lagi.

Pesan pengecualian
File yang ditentukan untuk input dan output tidak boleh sama.

Kesalahan 0051

Pengecualian terjadi dalam kasus ketika beberapa file output sama.

Resolusi: Kesalahan dalam Pembelajaran Mesin ini tidak digunakan dan tidak akan digunakan lagi.

Pesan pengecualian
File yang ditentukan untuk output tidak boleh sama.

Kesalahan 0052

Pengecualian terjadi jika kunci akun penyimpanan Azure ditentukan secara salah.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika kunci yang digunakan untuk mengakses akun penyimpanan Azure salah. Misalnya, Anda mungkin melihat kesalahan ini jika kunci penyimpanan Azure terpotong saat disalin dan ditempelkan, atau jika kunci yang salah digunakan.

Untuk informasi selengkapnya tentang cara mendapatkan kunci untuk akun penyimpanan Azure, lihat Menampilkan, menyalin, dan meregenerasi kunci akses penyimpanan.

Resolusi: Mengunjungi kembali modul dan memverifikasi bahwa kunci penyimpanan Azure sudah benar untuk akun tersebut; salin kunci tersebut lagi dari portal klasik Azure jika diperlukan.

Pesan pengecualian
Kunci akun penyimpanan Azure salah.

Kesalahan 0053

Pengecualian terjadi dalam kasus ketika tidak ada fitur pengguna atau item untuk rekomendasi matchbox.

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika vektor fitur tidak dapat ditemukan.

Resolusi: Pastikan bahwa vektor fitur ada di himpunan data input.

Pesan pengecualian
Fitur pengguna atau/dan item diperlukan tetapi tidak disediakan.

Kesalahan 0054

Pengecualian terjadi jika ada terlalu sedikit nilai berbeda dalam kolom untuk menyelesaikan operasi.

Resolusi: Kesalahan dalam Pembelajaran Mesin ini tidak digunakan dan tidak akan digunakan lagi.

Pesan pengecualian
Data memiliki terlalu sedikit nilai berbeda di kolom yang ditentukan untuk menyelesaikan operasi.
Data memiliki terlalu sedikit nilai berbeda di kolom yang ditentukan untuk menyelesaikan operasi. Minimum yang diperlukan adalah {0} elemen.
Data memiliki terlalu sedikit nilai berbeda di kolom "{1}" untuk menyelesaikan operasi. Minimum yang diperlukan adalah {0} elemen.

Kesalahan 0055

Pengecualian terjadi saat memanggil modul yang tidak digunakan lagi.

Kesalahan dalam Pembelajaran Mesin ini muncul jika Anda mencoba memanggil modul yang tidak digunakan lagi.

Resolusi:

Pesan pengecualian
Mengakses modul yang tidak digunakan lagi.
Modul "{0}" tidak digunakan lagi.

Kesalahan 0056

Pengecualian terjadi jika kolom yang Anda pilih untuk operasi melanggar persyaratan.

Kesalahan dalam Pembelajaran Mesin ini terjadi saat Anda memilih kolom untuk operasi yang mengharuskan kolom menjadi jenis data tertentu.

Kesalahan ini juga dapat terjadi jika kolom adalah jenis data yang benar, tetapi modul yang Anda gunakan mengharuskan kolom juga ditandai sebagai kolom fitur, label, atau kategoris.

Misalnya, modul Konversi ke Nilai Indikator mengharuskan kolom dikategorikan, dan akan memunculkan kesalahan ini jika Anda memilih kolom fitur atau kolom label.

Resolusi:

1. Ulasan jenis data kolom yang saat ini dipilih.

2. Memastikan apakah kolom yang dipilih adalah kolom kategoris, label, atau fitur.

3. Ulasan topik bantuan untuk modul tempat Anda membuat pilihan kolom, untuk menentukan apakah ada persyaratan khusus untuk jenis data atau penggunaan kolom.

4. Gunakan Edit Metadata untuk mengubah jenis kolom selama durasi operasi ini. Pastikan untuk mengubah jenis kolom kembali ke nilai aslinya, menggunakan instans lain dari Edit Metadata, jika Anda membutuhkannya untuk operasi hilir.

Pesan pengecualian
Satu atau beberapa kolom yang dipilih tidak berada dalam kategori yang diperbolehkan.
Kolom dengan nama "{0}" tidak berada dalam kategori yang diizinkan.

Kesalahan 0057

Pengecualian terjadi ketika mencoba membuat file atau blob yang sudah ada.

Pengecualian ini terjadi saat Anda menggunakan modul Ekspor Data atau modul lain untuk menyimpan hasil eksperimen dalam Pembelajaran Mesin ke penyimpanan blob Azure, tetapi Anda mencoba membuat file atau blob yang sudah ada.

Resolusi:

Anda akan menerima kesalahan ini hanya jika sebelumnya Anda mengeset properti mode penulisan penyimpanan blob Azure ke Kesalahan. Secara desain, modul ini menimbulkan kesalahan jika Anda mencoba menulis himpunan data ke blob yang sudah ada.

• Buka properti modul dan ubah propertiMode penulisan penyimpanan blob Azure menjadi Timpa.
• Atau, Anda dapat mengetik nama blob atau file tujuan yang berbeda dan pastikan untuk menentukan blob yang belum ada.

Pesan pengecualian
File atau Blob sudah ada.
File atau Blob "{0}" sudah ada.

Kesalahan 0058

Kesalahan dalam Pembelajaran Mesin ini terjadi jika himpunan data tidak berisi kolom label yang diharapkan.

Pengecualian ini juga dapat terjadi ketika kolom label yang disediakan tidak cocok dengan data atau jenis data yang diharapkan oleh pelajar, atau memiliki nilai yang salah. Misalnya, pengecualian ini diproduksi saat menggunakan kolom label bernilai riil saat melatih pengklasifikasi biner.

Resolusi: Resolusi tergantung pada pelajar atau pelatih yang Anda gunakan, dan jenis data kolom dalam himpunan data Anda. Pertama, verifikasi persyaratan algoritma pembelajaran mesin atau modul pelatihan.

Lihat kembali himpunan data input. Verifikasi bahwa kolom yang Anda harapkan diperlakukan sebagai label memiliki jenis data yang tepat untuk model yang Anda buat.

Periksa input untuk nilai yang hilang dan hilangkan atau ganti jika diperlukan.

Jika diperlukan, tambahkan modul Edit Metadata dan pastikan bahwa kolom label ditandai sebagai label.

Pesan pengecualian
Kolom label tidak seperti yang diharapkan
Kolom label tidak seperti yang diharapkan dalam "{0}".
Kolom label "{0}" tidak diharapkan dalam "{1}".

Kesalahan 0059

Pengecualian terjadi jika indeks kolom yang ditentukan dalam pemilih kolom tidak dapat diurai.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika indeks kolom yang ditentukan saat menggunakan Pemilih Kolom tidak dapat diurai. Anda akan menerima kesalahan ini ketika indeks kolom dalam format tidak valid yang tidak dapat diurai.

Resolusi: Ubah indeks kolom untuk menggunakan nilai indeks yang valid.

Pesan pengecualian
Satu atau beberapa indeks kolom atau rentang indeks yang ditentukan tak bisa diurai.
Indeks kolom atau rentang "{0}" tidak dapat diurai.

Kesalahan 0060

Pengecualian terjadi saat rentang kolom yang di luar jangkauan ditentukan dalam pemilih kolom.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika rentang kolom di luar rentang ditentukan dalam Pemilih Kolom. Anda akan menerima kesalahan ini jika rentang kolom di pemilih kolom tidak sesuai dengan kolom dalam himpunan data.

Resolusi: Ubah rentang kolom di pemilih kolom agar sesuai dengan kolom dalam himpunan data.

Pesan pengecualian
Rentang indeks kolom tidak valid atau di luar jangkauan yang ditentukan.
Rentang kolom "{0}" tidak valid atau di luar rentang.

Kesalahan 0061

Pengecualian terjadi saat mencoba menambahkan baris ke DataTable yang memiliki jumlah kolom yang berbeda dari tabel.

Kesalahan dalam Pembelajaran Mesin ini terjadi saat Anda mencoba menambahkan baris ke himpunan data yang memiliki jumlah kolom yang berbeda dari himpunan data. Anda akan menerima kesalahan ini jika baris yang sedang ditambahkan ke himpunan data memiliki jumlah kolom yang berbeda dari himpunan data input. Baris tidak dapat ditambahkan ke himpunan data jika jumlah kolom berbeda.

Resolusi: Ubah himpunan data input agar memiliki jumlah kolom yang sama dengan baris yang ditambahkan, atau ubah baris yang ditambahkan agar memiliki jumlah kolom yang sama dengan himpunan data.

Pesan pengecualian
Semua tabel harus memiliki jumlah kolom yang sama.

Kesalahan 0062

Pengecualian terjadi ketika mencoba membandingkan dua model dengan jenis pelajar yang berbeda.

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika metrik evaluasi untuk dua himpunan data dengan skor yang berbeda tidak dapat dibandingkan. Dalam hal ini, tidak mungkin untuk membandingkan efektivitas model yang digunakan untuk menghasilkan dua himpunan data yang dicetak.

Resolusi: Verifikasi bahwa hasil yang dicetak dihasilkan oleh jenis model pembelajaran mesin yang sama (klasifikasi biner, regresi, klasifikasi multi kelas, rekomendasi, pengklusteran, deteksi anomali, dan lain-lain) Semua model yang Anda bandingkan harus memiliki jenis pelajar yang sama.

Pesan pengecualian
Semua model harus memiliki jenis pelajar yang sama.

Kesalahan 0063

Pengecualian ini dimunculkan ketika evaluasi skrip R gagal dengan kesalahan.

Kesalahan ini terjadi ketika Anda telah memberikan skrip R di salah satu modul bahasa R dalam Pembelajaran Mesin, dan kode R berisi kesalahan sintaks internal. Pengecualian juga dapat terjadi jika Anda memberikan input yang salah ke skrip R.

Kesalahan juga dapat terjadi jika skrip terlalu besar untuk dijalankan di ruang kerja. Ukuran skrip maksimum untuk modul Execute R Script adalah 1.000 baris atau 32 KB ruang kerja, mana pun yang lebih sedikit.

Resolusi:

1. Di Pembelajaran Mesin Studio (klasik), klik kanan modul yang memiliki kesalahan, dan pilih Tampilkan Log.
2. Periksa log kesalahan standar modul, yang berisi jejak tumpukan.
   • Baris yang dimulai dengan [ModuleOutput] menunjukkan output dari R.
   • Pesan dari R yang ditandai sebagai peringatan biasanya tidak menyebabkan eksperimen gagal.
3. Atasi masalah skrip.
   • Periksa kesalahan sintaks R. Periksa variabel yang ditentukan tetapi tidak pernah diisi.
   • Tinjau data input dan skrip untuk menentukan apakah data atau variabel dalam skrip menggunakan karakter yang tidak didukung oleh Pembelajaran Mesin.
   • Periksa apakah semua dependensi paket diinstal.
   • Periksa apakah kode Anda memuat pustaka yang diperlukan yang tidak dimuat secara default.
   • Periksa apakah paket yang diperlukan adalah versi yang benar.
   • Pastikan bahwa himpunan data apa pun yang ingin Anda keluarkan dikonversi ke bingkai data.
4. Kirim ulang eksperimen.

Catatan

Topik-topik ini berisi contoh kode R yang dapat Anda gunakan, serta tautan ke eksperimen di Cortana Intelligence Gallery yang menggunakan skrip R.

• Jalankan skrip R
• Buat Model R

Pesan pengecualian
Kesalahan selama evaluasi skrip R.
Kesalahan berikut terjadi selama evaluasi skrip R: ---------- Mulai pesan kesalahan dari R ---------- {0} ----------- Akhir pesan kesalahan dari R -----------
Selama evaluasi skrip R "{1}" terjadi kesalahan berikut: ---------- Mulai pesan kesalahan dari R ---------- {0} ----------- Akhir pesan kesalahan dari R -----------

Kesalahan 0064

Pengecualian terjadi jika nama akun penyimpanan Azure atau kunci penyimpanan ditentukan secara salah.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika nama akun penyimpanan Azure atau kunci penyimpanan ditentukan dengan tidak benar. Anda akan menerima kesalahan ini jika Anda memasukkan nama akun atau kata sandi yang salah untuk akun penyimpanan. Ini dapat terjadi jika Anda memasukkan nama akun atau kata sandi secara manual. Hal ini juga dapat terjadi jika akun telah dihapus.

Resolusi: Pastikan bahwa nama akun dan kata sandi telah dimasukkan dengan benar, dan akun tersebut ada.

Pesan pengecualian
Nama akun penyimpanan Azure atau kunci penyimpanan salah.
Nama akun penyimpanan Azure "{0}" atau kunci penyimpanan untuk nama akun salah.

Kesalahan 0065

Pengecualian terjadi jika nama blob Azure ditentukan secara salah.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika nama blob Azure ditentukan dengan tidak benar. Anda akan menerima kesalahan jika:

• Blob tidak dapat ditemukan dalam kontainer yang ditentukan.

• Nama blob yang sepenuhnya memenuhi syarat yang ditentukan untuk output di salah satu Pembelajaran dengan modul Counts lebih besar dari 512 karakter.

• Hanya kontainer yang ditentukan sebagai sumber dalam permintaan Impor Data saat format dalam excel atau CSV dengan pengkodean; penyatuan isi semua blob dalam kontainer tidak diperbolehkan dengan format ini.

• SAS URI tidak berisi nama blob yang valid.

Resolusi: Kunjungi kembali modul yang melemparkan pengecualian. Verifikasi bahwa blob yang ditentukan memang ada di kontainer di akun penyimpanan dan bahwa izin memungkinkan Anda untuk melihat blob. Verifikasi bahwa input adalah formulir containername/filename jika Anda memiliki Excel atau CSV dengan format pengkodean. Verifikasi bahwa SAS URI berisi nama blob yang valid.

Pesan pengecualian
Blob penyimpanan Azure salah.
Nama blob penyimpanan Azure "{0}" salah

Kesalahan 0066

Pengecualian terjadi jika sumber daya tidak dapat diunggah ke Blob Azure.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika sumber daya tidak dapat diunggah ke Azure Blob. Anda akan menerima pesan ini jika Melatih Model Vowpal Wabbit 7-4 mengalami kesalahan saat mencoba menyimpan model atau hash yang dibuat saat melatih model. Keduanya disimpan ke akun penyimpanan Azure yang sama bersamaan dengan akun tersebut berisi file input.

Resolusi: Lihat kembali modulnya. Verifikasi bahwa nama akun Azure, kunci penyimpanan, dan kontainer sudah benar dan akun tersebut memiliki izin untuk menulis ke kontainer.

Pesan pengecualian
Sumber daya tidak dapat diunggah ke penyimpanan Azure.
File "{0}" tidak dapat diunggah ke penyimpanan Azure sebagai {1}.

Kesalahan 0067

Pengecualian terjadi jika himpunan data memiliki jumlah kolom yang berbeda dari yang diharapkan.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika himpunan data memiliki jumlah kolom yang berbeda dari yang diharapkan. Anda akan menerima kesalahan ini ketika jumlah kolom dalam himpunan data berbeda dari jumlah kolom yang diharapkan modul selama eksekusi.

Resolusi: Ubah himpunan data input atau parameter.

Pesan pengecualian
Jumlah kolom yang tidak terduga dalam tabel data.
Kolom "{0}" yang diharapkan tetapi menemukan kolom "{1}" sebagai gantinya.

Kesalahan 0068

Pengecualian terjadi jika skrip Apache Hive yang ditentukan adalah salah.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika ada kesalahan sintaks dalam skrip Apache Hive QL, atau jika penerjemah Apache Hive mengalami kesalahan saat menjalankan kueri atau skrip.

Resolusi:

Pesan kesalahan dari Apache Hive biasanya dilaporkan kembali di Log Kesalahan sehingga Anda dapat mengambil tindakan berdasarkan kesalahan tertentu.

• Buka modul dan periksa kueri untuk kesalahan.
• Verifikasi bahwa kueri berfungsi dengan benar di luar Pembelajaran Mesin dengan masuk ke konsol Apache Hive kluster Hadoop Anda dan jalankan kueri.
• Cobalah menempatkan komentar di skrip Apache Hive Anda dalam baris terpisah dibandingkan dengan mencampur pernyataan dan komentar yang dapat dieksekusi dalam satu baris.

Sumber

Lihat artikel berikut ini untuk bantuan tentang kueri Apache Hive untuk pembelajaran mesin:

• Membuat tabel Apache Hive dan memuat data dari Azure Blob Storage
• Menjelajahi data dalam tabel dengan kueri Apache Hive
• Buat fitur untuk data dalam kluster Hadoop menggunakan kueri Apache Hive
• Contekan Apache Hive untuk Pengguna SQL (PDF)

Pesan pengecualian
Skrip Apache Hive salah.
Skrip {0} Apache Hive tidak benar.

Kesalahan 0069

Pengecualian terjadi jika skrip SQL yang ditentukan adalah salah.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika skrip SQL yang ditentukan memiliki masalah sintaks, atau jika kolom atau tabel yang ditentukan dalam skrip tidak valid.

Anda akan menerima kesalahan ini jika mesin SQL mengalami kesalahan saat menjalankan kueri atau skrip. Pesan kesalahan dari SQL biasanya dilaporkan kembali di Log Kesalahan sehingga Anda dapat mengambil tindakan berdasarkan kesalahan tertentu.

Resolusi: Lihat kembali modul dan periksa kueri SQL untuk kesalahan.

Verifikasi bahwa kueri berfungsi dengan benar di luar Azure ML dengan pengelogan ke server database secara langsung dan menjalankan kueri.

Jika ada pesan yang dihasilkan SQL yang dilaporkan oleh pengecualian modul, ambil tindakan berdasarkan kesalahan yang dilaporkan. Misalnya, pesan kesalahan terkadang menyertakan panduan khusus tentang kemungkinan kesalahan:

• Tidak ada kolom seperti itu atau database yang hilang, menunjukkan bahwa Anda mungkin telah mengetik nama kolom yang salah. Jika Anda yakin nama kolom sudah benar, coba gunakan tanda kurung atau tanda kutip untuk mengapit pengidentifikasi kolom.
• SQL kesalahan logika di dekat <kata kunci> SQL, menunjukkan bahwa Anda mungkin memiliki kesalahan sintaks sebelum kata kunci yang ditentukan

Pesan pengecualian
Skrip SQL salah.
SQL kueri "{0}" tidak benar.
SQL kueri "{0}" tidak benar:{1}

Kesalahan 0070

Pengecualian terjadi saat mencoba mengakses tabel Azure yang tidak ada.

Kesalahan dalam Pembelajaran Mesin ini terjadi saat Anda mencoba mengakses tabel Azure yang tidak ada. Anda akan menerima kesalahan ini jika Anda menentukan tabel di penyimpanan Azure, yang tidak ada saat membaca dari atau menulis ke Table Storage Azure. Ini bisa terjadi jika Anda salah mengetik nama tabel yang diinginkan, atau Anda memiliki ketidakcocokan antara nama target dan jenis penyimpanan. Misalnya, Anda bermaksud membaca dari tabel tetapi memasukkan nama blob sebagai gantinya.

Resolusi: Kunjungi kembali modul untuk memverifikasi bahwa nama tabel sudah benar.

Pesan pengecualian
Tabel Azure tidak ada.
Tabel Azure "{0}" tidak ada.

Kesalahan 0071

Pengecualian terjadi jika kredensial yang diberikan salah.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika kredensial yang disediakan salah.

Anda mungkin juga menerima kesalahan ini jika modul tidak dapat tersambung ke kluster HDInsight.

Resolusi: Tinjau input ke modul dan verifikasi nama akun dan kata sandi.

Periksa masalah berikut yang dapat menyebabkan kesalahan:

• Skema himpunan data tidak cocok dengan skema datatable tujuan.

• Nama kolom hilang atau salah eja

• Anda menulis ke tabel yang memiliki nama kolom dengan karakter ilegal. Biasanya Anda dapat mengapit nama kolom tersebut dalam tanda kurung siku, tetapi jika itu tidak berfungsi, edit nama kolom untuk hanya menggunakan huruf dan garis bawah (_)

• String yang Anda coba tulis berisi tanda kutip tunggal

Jika Anda mencoba menyambungkan ke kluster HDInsight, verifikasi bahwa kluster target dapat diakses dengan kredensial yang disediakan.

Pesan pengecualian
Kredensial yang salah diteruskan.
Nama pengguna "{0}" atau kata sandi yang salah diteruskan

Kesalahan 0072

Pengecualian terjadi dalam kasus waktu koneksi habis.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika koneksi kehabisan waktu. Anda akan menerima kesalahan ini jika saat ini ada masalah konektivitas dengan sumber data atau tujuan, seperti konektivitas internet yang lambat, atau jika himpunan data besar dan/atau kueri SQL untuk dibaca dalam data melakukan pemrosesan yang rumit.

Resolusi: Tentukan apakah saat ini ada masalah dengan koneksi lambat ke penyimpanan Azure atau internet.

Pesan pengecualian
Terjadi waktu koneksi habis.

Kesalahan 0073

Pengecualian terjadi jika kesalahan terjadi saat mengonversi kolom ke jenis lain.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika tidak dimungkinkan untuk mengonversi kolom ke jenis lain. Anda akan menerima kesalahan ini jika modul memerlukan jenis tertentu dan tidak memungkinkan untuk mengonversi kolom ke jenis baru.

Resolusi: Ubah himpunan data input sehingga kolom dapat dikonversi berdasarkan pengecualian bagian dalam.

Pesan pengecualian
Gagal mengonversi kolom.
Gagal mengonversi kolom ke {0}.

Kesalahan 0074

Pengecualian terjadi saat Edit Metadata mencoba mengonversi kolom jarang menjadi kategoris.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika Edit Metadata mencoba mengonversi kolom jarang menjadi kategoris. Anda akan menerima kesalahan ini saat mencoba mengonversi kolom jarang menjadi kategoris dengan opsi Buat kategoris . Pembelajaran Mesin tidak mendukung array kategoris yang jarang, sehingga modul akan gagal.

Resolusi: Buat kolom padat dengan menggunakan Konversi ke Himpunan Data terlebih dahulu atau jangan konversi kolom menjadi kategoris.

Pesan pengecualian
Kolom jarang tidak dapat dikonversi ke Kategoris.

Kesalahan 0075

Pengecualian terjadi ketika fungsi binning tidak valid digunakan saat mengolah himpunan data.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika Anda mencoba mengikat data menggunakan metode yang tidak didukung, atau ketika kombinasi parameter tidak valid.

Resolusi:

Penanganan kesalahan untuk peristiwa ini diperkenalkan dalam versi Pembelajaran Mesin sebelumnya yang memungkinkan lebih banyak penyesuaian metode binning. Saat ini semua metode binning didasarkan pada pilihan dari daftar menurun, jadi secara teknis seharusnya tidak mungkin lagi untuk mendapatkan kesalahan ini.

Jika Anda mendapatkan kesalahan ini saat menggunakan Data Grup ke dalam modul Bins, pertimbangkan untuk melaporkan masalah di forum Pembelajaran Mesin, menyediakan jenis data, pengaturan parameter, dan pesan kesalahan yang tepat.

Pesan pengecualian
Fungsi binning tidak valid yang digunakan.

Kesalahan 0077

Pengecualian terjadi ketika file blob yang tidak diketahui menulis mode dilewatkan.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika argumen yang tidak valid diteruskan dalam spesifikasi untuk tujuan atau sumber file blob.

Resolusi: Di hampir semua modul yang mengimpor atau mengekspor data ke dan dari penyimpanan blob Azure, nilai parameter yang mengontrol mode menulis ditetapkan dengan menggunakan daftar menurun; oleh karena itu, tidak mungkin untuk melewati nilai yang tidak valid, dan kesalahan ini seharusnya tidak muncul. Kesalahan ini tidak akan digunakan lagi dalam rilis selanjutnya.

Pesan pengecualian
Mode penulisan blob yang tidak didukung.
Mode penulisan blob yang tidak didukung: {0}.

Kesalahan 0078

Pengecualian terjadi ketika opsi HTTP untuk Impor Data menerima kode status 3xx yang menunjukkan pengalihan.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika opsi HTTP untuk Impor Data menerima kode status 3xx (301, 302, 304, dll.) yang menunjukkan pengalihan. Anda akan menerima kesalahan ini jika Anda mencoba menyambungkan ke sumber HTTP yang mengalihkan browser ke halaman lain. Untuk alasan keamanan, mengalihkan situs web tidak diizinkan sebagai sumber data untuk Pembelajaran Mesin.

Resolusi: Jika situs web adalah situs web tepercaya, masukkan URL yang dialihkan secara langsung.

Pesan pengecualian
Pengalihan http tidak diizinkan

Kesalahan 0079

Pengecualian terjadi jika nama kontainer penyimpanan Azure ditentukan secara salah.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika nama kontainer penyimpanan Azure ditentukan dengan tidak benar. Anda akan menerima kesalahan ini jika Anda belum menentukan nama kontainer dan blob (file) menggunakan opsi Jalur ke blob yang dimulai dengan kontainer saat menulis ke Azure Blob Storage.

Resolusi: Lihat kembali modul Ekspor Data dan verifikasi bahwa jalur yang ditentukan ke blob berisi kontainer dan nama file, dalam format kontainer/nama file.

Pesan pengecualian
Nama kontainer penyimpanan Azure salah.
Nama kontainer penyimpanan Azure "{0}" salah; nama kontainer format kontainer/blob diharapkan.

Kesalahan 0080

Pengecualian terjadi ketika kolom dengan semua nilai yang hilang tidak diizinkan oleh modul.

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika satu atau beberapa kolom yang digunakan oleh modul berisi semua nilai yang hilang. Misalnya, jika modul menghitung statistik agregat untuk setiap kolom, modul tidak dapat beroperasi pada kolom yang tidak berisi data. Dalam kasus seperti itu, eksekusi modul dihentikan dengan pengecualian ini.

Resolusi: Lihat kembali himpunan data input dan hapus kolom apa pun yang berisi semua nilai yang hilang.

Pesan pengecualian
Kolom dengan semua nilai yang hilang tidak diperbolehkan.
Kolom {0} memiliki semua nilai yang hilang.

Kesalahan 0081

Pengecualian terjadi dalam modul PCA jika jumlah dimensi yang dikurangi sama dengan jumlah kolom fitur dalam himpunan data input, yang berisi setidaknya satu kolom fitur jarang.

Kesalahan dalam Pembelajaran Mesin ini dihasilkan jika kondisi berikut terpenuhi: (a) himpunan data input memiliki setidaknya satu kolom jarang dan (b) jumlah akhir dimensi yang diminta sama dengan jumlah dimensi input.

Resolusi: Pertimbangkan untuk mengurangi jumlah dimensi dalam output menjadi lebih sedikit dari jumlah dimensi dalam input. Ini khas dalam aplikasi PCA. Untuk informasi selengkapnya, lihat Analisis Komponen Utama.

Pesan pengecualian
Untuk himpunan data yang berisi kolom fitur jarang, jumlah dimensi yang akan dikurangi harus kurang dari jumlah kolom fitur.

Kesalahan 0082

Pengecualian terjadi ketika model tidak dapat berhasil dideserialisasi.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika model atau transformasi pembelajaran mesin yang disimpan tidak dapat dimuat oleh versi runtime Pembelajaran Mesin yang lebih baru sebagai akibat dari perubahan yang melanggar.

Resolusi: Eksperimen pelatihan yang menghasilkan model atau transformasi harus dijalankan ulang dan model atau transformasi harus disimpan kembali.

Pesan pengecualian
Model tidak dapat dideserialisasi karena kemungkinan diserialisasi dengan format serialisasi yang lebih lama. Melatih kembali dan menyimpan ulang model.

Kesalahan 0083

Pengecualian terjadi jika himpunan data yang digunakan untuk pelatihan tidak dapat digunakan untuk jenis pembelajar yang konkret.

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika himpunan data tidak kompatibel dengan pelajar yang sedang dilatih. Misalnya, himpunan data mungkin berisi setidaknya satu nilai yang hilang di setiap baris, dan sebagai hasilnya, seluruh himpunan data akan dilompati selama pelatihan. Dalam kasus lain, beberapa algoritma pembelajaran mesin seperti deteksi anomali tidak mengharapkan label untuk hadir dan dapat membuang pengecualian ini jika label ada dalam himpunan data.

Resolusi: Lihat dokumentasi pelajar yang digunakan untuk memeriksa persyaratan himpunan data input. Periksa kolom untuk melihat semua kolom yang diperlukan ada.

Pesan pengecualian
Himpunan data yang digunakan untuk pelatihan tidak valid.
{0} berisi data yang tidak valid untuk pelatihan.
{0} berisi data yang tidak valid untuk pelatihan. Jenis pelajar: {1}.

Kesalahan 0084

Pengecualian terjadi ketika skor yang dihasilkan dari Skrip R dievaluasi. Ini tidak didukung saat ini.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika Anda mencoba menggunakan salah satu modul untuk mengevaluasi model dengan output dari skrip R yang berisi skor.

Resolusi:

Pesan pengecualian
Mengevaluasi skor yang dihasilkan oleh R saat ini tidak didukung.

Kesalahan 0085

Pengecualian terjadi ketika evaluasi skrip gagal dengan kesalahan.

Kesalahan dalam Pembelajaran Mesin ini terjadi saat Anda menjalankan skrip kustom yang berisi kesalahan sintaks.

Resolusi: Tinjau kode Anda di editor eksternal dan periksa kesalahan.

Pesan pengecualian
Kesalahan selama evaluasi skrip.
Kesalahan berikut terjadi selama evaluasi skrip, lihat log output untuk informasi selengkapnya: ---------- Mulai pesan kesalahan dari {0} penerjemah ---------- {1} ---------- Pesan akhir kesalahan dari {0} interpreter ----------

Kesalahan 0086

Pengecualian terjadi ketika transformasi penghitungan tidak valid.

Kesalahan dalam Pembelajaran Mesin ini terjadi saat Anda memilih transformasi berdasarkan tabel hitungan, tetapi transformasi yang dipilih tidak kompatibel dengan data saat ini, atau dengan tabel hitungan baru.

Resolusi: Modul ini mendukung penyimpanan hitungan dan aturan yang membentuk transformasi dalam dua format berbeda. Jika Anda menggabungkan tabel hitungan, verifikasi bahwa kedua tabel yang ingin Anda gabungkan menggunakan format yang sama.

Secara umum, transformasi berbasis hitungan hanya dapat diterapkan ke himpunan data yang memiliki skema yang sama dengan himpunan data tempat transformasi awalnya dibuat.

Untuk informasi umum, lihat Pembelajaran dengan Hitungan. Untuk persyaratan khusus untuk membuat dan menggabungkan fitur berbasis hitungan, lihat topik berikut:

• Gabungkan Transformasi Hitungan

• Impor Tabel Hitungan

• Mengubah Parameter Tabel Hitungan

Pesan pengecualian
Transformasi penghitungan yang ditentukan tidak valid.
Transformasi penghitungan pada port input '{0}' tidak valid.
Transformasi penghitungan pada port input '{0}' tidak dapat digabungkan dengan transformasi penghitungan pada port input '{1}'. Periksa untuk memverifikasi metadata yang digunakan untuk menghitung kecocokan.

Kesalahan 0087

Pengecualian terjadi ketika jenis tabel hitungan yang tidak valid ditentukan untuk belajar dengan modul hitungan.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika Anda mencoba mengimpor tabel hitungan yang ada, tetapi tabel tidak kompatibel dengan data saat ini, atau dengan tabel hitungan baru.

Resolusi: Ada berbagai format untuk menyimpan hitungan dan aturan yang membentuk transformasi. Jika Anda menggabungkan tabel hitungan, verifikasi bahwa keduanya menggunakan format yang sama.

Umumnya, transformasi berbasis hitungan hanya dapat diterapkan ke himpunan data yang memiliki skema yang sama dengan himpunan data tempat transformasi awalnya dibuat.

Untuk informasi umum, lihat Pembelajaran dengan Hitungan. Untuk persyaratan khusus untuk membuat dan menggabungkan fitur berbasis hitungan, lihat topik berikut:

Kesalahan 0088

Pengecualian terjadi ketika jenis penghitungan yang tidak valid ditentukan untuk belajar dengan modul hitungan.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika Anda mencoba menggunakan metode penghitungan yang berbeda dari yang didukung untuk fiturisasi berbasis hitungan.

Resolusi: Secara umum, metode penghitungan dipilih dari daftar dropdown, sehingga Anda tidak akan melihat kesalahan ini.

Untuk informasi umum, lihat Pembelajaran dengan Hitungan. Untuk persyaratan khusus untuk membuat dan menggabungkan fitur berbasis hitungan, lihat topik berikut:

• Gabungkan Transformasi Hitungan

• Impor Tabel Hitungan

• Mengubah Parameter Tabel Hitungan

Pesan pengecualian
Tipe penghitungan tidak valid ditentukan.
Jenis penghitungan '{0}' yang ditentukan bukan tipe penghitungan yang valid.

Kesalahan 0089

Pengecualian terjadi ketika jumlah kelas yang ditentukan kurang dari jumlah kelas aktual dalam himpunan data yang digunakan untuk penghitungan.

Kesalahan dalam Pembelajaran Mesin ini terjadi saat Anda membuat tabel hitungan dan kolom label berisi jumlah kelas yang berbeda dari yang Anda tentukan dalam parameter modul.

Resolusi: Periksa himpunan data Anda dan cari tahu dengan tepat berapa banyak nilai berbeda (kelas yang mungkin) ada di kolom label. Saat membuat tabel hitungan, Anda harus menentukan setidaknya jumlah kelas ini.

Tabel hitungan tidak dapat menentukan jumlah kelas yang tersedia secara otomatis.

Saat membuat tabel hitungan, Anda tidak dapat menentukan 0 atau angka apa pun yang kurang dari jumlah kelas aktual di kolom label.

Pesan pengecualian
Jumlah kelas salah. Pastikan jumlah kelas yang Anda tentukan di panel parameter lebih besar dari atau sama dengan jumlah kelas di kolom label.
Jumlah kelas yang ditentukan adalah '{0}', yang tidak lebih besar dari nilai label '{1}' dalam himpunan data yang digunakan untuk menghitung. Pastikan jumlah kelas yang Anda tentukan di panel parameter lebih besar dari atau sama dengan jumlah kelas di kolom label.

Kesalahan 0090

Pengecualian terjadi ketika pembuatan tabel Apache Hive gagal.

Kesalahan dalam Pembelajaran Mesin ini terjadi saat Anda menggunakan Ekspor Data atau opsi lain untuk menyimpan data ke kluster HDInsight dan tabel Apache Hive yang ditentukan tidak dapat dibuat.

Resolusi: Periksa nama akun penyimpanan Azure yang terkait dengan kluster dan verifikasi bahwa Anda menggunakan akun yang sama di properti modul.

Pesan pengecualian
Tabel Apache Hive tidak dapat dibuat. Untuk kluster HDInsight, pastikan nama akun penyimpanan Azure yang terkait dengan kluster sama dengan apa yang diteruskan melalui parameter modul.
Tabel Apache Hive "{0}" tidak dapat dibuat. Untuk kluster HDInsight, pastikan nama akun penyimpanan Azure yang terkait dengan kluster sama dengan apa yang diteruskan melalui parameter modul.
Tabel Apache Hive "{0}" tidak dapat dibuat. Untuk kluster HDInsight, pastikan nama akun penyimpanan Azure yang terkait dengan kluster adalah "{1}".

Kesalahan 0100

Pengecualian terjadi ketika bahasa yang tidak didukung ditentukan untuk modul kustom.

Kesalahan dalam Pembelajaran Mesin ini terjadi saat membangun modul kustom dan properti nama elemen Bahasa dalam file definisi xml modul kustom memiliki nilai yang tidak valid. Saat ini, satu-satunya nilai yang valid untuk properti ini adalah R. Contohnya:

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

Resolusi: Verifikasi bahwa properti nama elemen Bahasa dalam file definisi xml modul kustom diatur ke R. Simpan file, perbarui paket zip modul kustom, dan coba tambahkan modul kustom lagi.

Pesan pengecualian
Bahasa modul kustom yang tidak didukung ditentukan

Kesalahan 0101

Semua ID port dan parameter harus unik.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika satu atau beberapa port atau parameter diberi nilai ID yang sama dalam file definisi XML modul kustom.

Resolusi: Periksa apakah nilai ID di semua port dan parameter unik. Simpan file xml, perbarui paket zip modul kustom, dan coba tambahkan modul kustom lagi.

Pesan pengecualian
Semua ID port dan parameter untuk modul harus unik
Modul '{0}' memiliki ID port/argumen duplikat. Semua ID port/argumen harus unik untuk modul.

Kesalahan 0102

Disingkirkan ketika berkas ZIP tak bisa diekstrak.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika Anda mengimpor paket zip dengan ekstensi .zip, tetapi paket bukan file zip, atau file tidak menggunakan format zip yang didukung.

Resolusi: Pastikan file yang dipilih adalah file .zip yang valid, dan berkas tersebut dikompres dengan menggunakan salah satu algoritma kompresi yang didukung.

Jika Anda mendapatkan kesalahan ini saat mengimpor himpunan data dalam format terkompresi, verifikasi bahwa semua file yang terkandung menggunakan salah satu format file yang didukung, dan berada dalam format Unicode. Untuk informasi selengkapnya, lihat Membuka Kemasan Himpunan Data Zip.

Coba baca file yang diinginkan ke folder zip terkompresi baru dan coba tambahkan modul kustom lagi.

Pesan pengecualian
File ZIP yang diberikan tidak dalam format yang benar

Kesalahan 0103

Dibuang ketika file ZIP tidak berisi file .xml

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika paket zip modul kustom tidak berisi file definisi modul (.xml). File-file ini perlu berada di akar paket zip (misalnya, tidak dalam subfolder.)

Resolusi: Verifikasi bahwa satu atau beberapa file definisi modul xml berada di folder akar paket zip dengan mengekstraknya ke folder sementara pada drive disk Anda. File xml apa pun harus langsung berada di folder tempat Anda mengekstrak paket zip. Pastikan ketika Anda membuat paket zip bahwa Anda tidak memilih folder yang berisi file xml untuk zip karena ini akan membuat sub folder dalam paket zip dengan nama yang sama dengan folder yang Anda pilih untuk zip.

Pesan pengecualian
File ZIP yang diberikan tidak berisi file definisi modul apa pun (file .xml)

Kesalahan 0104

Dilemparkan saat file definisi modul mereferensikan skrip yang tidak dapat ditemukan

Kesalahan dalam Pembelajaran Mesin ini muncul ketika file definisi xml modul kustom mereferensikan file skrip dalam elemen Bahasa yang tidak ada dalam paket zip. Jalur file skrip ditentukan dalam properti sourceFile dari elemen Bahasa . Jalur ke file sumber relatif terhadap akar paket zip (lokasi yang sama dengan file definisi xml modul). Jika file skrip berada di sub folder, jalur relatif ke file skrip harus ditentukan. Misalnya, jika semua skrip disimpan dalam folder myScripts dalam paket zip, elemen Bahasa harus menambahkan jalur ini ke properti sourceFile seperti di bawah ini. Contohnya:

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

Resolusi: Pastikan bahwa nilai properti sourceFile dalam elemen Bahasa dari definisi xml modul kustom sudah benar dan bahwa file sumber ada di jalur relatif yang benar dalam paket zip.

Pesan pengecualian
File skrip R yang dirujuk tidak ada.
File skrip R yang dirujuk '{0}' tidak dapat ditemukan. Pastikan bahwa jalur relatif ke file sudah benar dari lokasi definisi.

Kesalahan 0105

Kesalahan ini ditampilkan ketika file definisi modul memuat jenis parameter yang tidak didukung

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika Anda membuat definisi xml modul kustom dan jenis parameter atau argumen dalam definisi tidak cocok dengan jenis yang didukung.

Resolusi: Pastikan bahwa properti jenis elemen setiapArg dalam file definisi xml modul kustom adalah jenis yang didukung.

Pesan pengecualian
Jenis parameter yang tidak didukung.
Jenis parameter yang tidak didukung '{0}' ditentukan.

Kesalahan 0106

Dilemparkan saat file definisi modul mendefinisikan jenis input yang tidak didukung

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika jenis port input dalam definisi XML modul kustom tidak cocok dengan jenis yang didukung.

Resolusi: Pastikan bahwa properti jenis elemen Input dalam file definisi XML modul kustom adalah jenis yang didukung.

Pesan pengecualian
Jenis input yang tidak didukung.
Jenis input yang tidak didukung '{0}' ditentukan.

Kesalahan 0107

Disingkirkan ketika file definisi modul mendefinisikan tipe output yang tidak didukung

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika jenis port output dalam definisi xml modul kustom tidak cocok dengan jenis yang didukung.

Resolusi: Pastikan bahwa properti jenis dari elemen Output dalam file definisi xml modul kustom adalah jenis yang didukung.

Pesan pengecualian
Jenis output yang tidak didukung.
Jenis output yang tidak didukung '{0}' ditentukan.

Kesalahan 0108

Dilemparkan saat file definisi modul mendefinisikan lebih banyak port input atau output daripada yang didukung

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika terlalu banyak port input atau output didefinisikan dalam definisi xml modul kustom.

Resolusi: Pastikan jumlah maksimum port input dan output yang ditentukan dalam definisi xml modul kustom tidak melebihi jumlah maksimum port yang didukung.

Pesan pengecualian
Melebihi jumlah port input atau output yang didukung.
Melebihi jumlah port '{0}' yang didukung. Jumlah maksimum port '{0}' yang diizinkan adalah '{1}'.

Kesalahan 0109

Dilemparkan saat file definisi modul mendefinisikan pemilih kolom dengan tidak benar

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika sintaks untuk argumen pemilih kolom berisi kesalahan dalam definisi xml modul kustom.

Resolusi: Kesalahan ini dihasilkan ketika sintaks untuk argumen pemilih kolom berisi kesalahan dalam definisi xml modul kustom.

Pesan pengecualian
Sintaksis yang tidak didukung untuk pemilih kolom.

Kesalahan 0110

Dilemparkan saat file definisi modul menentukan pemilih kolom yang mereferensikan ID port input yang tidak ada

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika properti portId dalam elemen Properti dari Arg jenis ColumnPicker tidak cocok dengan nilai ID port input.

Resolusi: Pastikan properti portId cocok dengan nilai ID port input yang ditentukan dalam definisi xml modul kustom.

Pesan pengecualian
Pemilih kolom mereferensikan ID port input yang tidak ada.
Pemilih kolom mereferensikan ID port input yang tidak ada '{0}'.

Kesalahan 0111

Dilemparkan saat file definisi modul menentukan properti yang tidak valid

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika properti yang tidak valid ditetapkan ke elemen dalam definisi XML modul kustom.

Resolusi: Pastikan properti didukung oleh elemen modul kustom.

Pesan pengecualian
Definisi properti tidak valid.
Definisi properti '{0}' tidak valid.

Kesalahan 0112

Dibuang ketika file definisi modul tidak dapat diurai

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika ada kesalahan dalam format xml yang mencegah definisi XML modul kustom diurai sebagai file XML yang valid.

Resolusi: Pastikan bahwa setiap elemen dibuka dan ditutup dengan benar. Pastikan bahwa tidak ada kesalahan dalam pemformatan XML.

Pesan pengecualian
Tidak dapat mengurai file definisi modul.
Tidak dapat mengurai file definisi modul '{0}'.

Kesalahan 0113

Dilemparkan saat file definisi modul berisi kesalahan.

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika file definisi XML modul kustom dapat diurai tetapi berisi kesalahan, seperti definisi elemen yang tidak didukung oleh modul kustom.

Resolusi: Pastikan file definisi modul kustom menentukan elemen dan properti yang didukung oleh modul kustom.

Pesan pengecualian
File definisi modul berisi kesalahan.
File definisi modul '{0}' berisi kesalahan.
File definisi modul '{0}' berisi kesalahan. {1}

Kesalahan 0114

Dilemparkan saat membuat modul kustom gagal.

Kesalahan dalam Pembelajaran Mesin ini dihasilkan ketika build modul kustom gagal. Ini terjadi ketika satu atau beberapa kesalahan terkait modul kustom ditemui saat menambahkan modul kustom. Kesalahan tambahan dilaporkan dalam pesan kesalahan ini.

Resolusi: Atasi kesalahan yang dilaporkan dalam pesan pengecualian ini.

Pesan pengecualian
Gagal membangun modul kustom.
Build modul kustom gagal dengan kesalahan: {0}

Kesalahan 0115

Dilemparkan saat skrip default modul kustom memiliki ekstensi yang tidak didukung.

Kesalahan dalam Pembelajaran Mesin ini terjadi saat Anda memberikan skrip untuk modul kustom yang menggunakan ekstensi nama file yang tidak diketahui.

Resolusi: Verifikasi format file dan ekstensi nama file dari file skrip apa pun yang disertakan dalam modul kustom.

Pesan pengecualian
Tingkatan yang tidak didukung untuk skrip default.
Ekstensi {0} file yang tidak didukung untuk skrip default.

Kesalahan 0121

Dilemparkan saat penulisan SQL gagal karena tabel tidak dapat ditulis

Kesalahan dalam Pembelajaran Mesin ini dihasilkan saat Anda menggunakan modul Ekspor Data untuk menyimpan hasil ke tabel dalam database SQL, dan tabel tidak dapat ditulis. Biasanya, Anda akan melihat kesalahan ini jika modul Ekspor Data berhasil membuat koneksi dengan instans SQL Server, tetapi kemudian tidak dapat menulis konten himpunan data Azure ML ke tabel.

Resolusi:

• Buka panel Properti modul Ekspor Data dan verifikasi bahwa nama database dan tabel dimasukkan dengan benar.
• Tinjau skema himpunan data yang Anda ekspor, dan pastikan data kompatibel dengan tabel tujuan.
• Verifikasi bahwa SQL masuk yang terkait dengan nama pengguna dan kata sandi memiliki izin untuk menulis ke tabel.
• Jika pengecualian berisi informasi kesalahan tambahan dari SQL Server, gunakan informasi tersebut untuk membuat koreksi.

Pesan pengecualian
Tersambung ke server, tidak dapat menulis ke tabel.
Tidak dapat menulis ke tabel Sql: {0}

Kesalahan 0122

Pengecualian terjadi jika beberapa kolom bobot ditentukan dan hanya satu yang diizinkan.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika terlalu banyak kolom telah dipilih sebagai kolom bobot.

Resolusi: Tinjau himpunan data input dan metadatanya. Pastikan hanya satu kolom yang berisi bobot.

Pesan pengecualian
Beberapa kolom berat ditentukan.

Kesalahan 0123

Pengecualian terjadi jika kolom vektor ditentukan ke kolom Label.

Kesalahan dalam Pembelajaran Mesin ini terjadi jika Anda menggunakan vektor sebagai kolom label.

Resolusi: Ubah format data kolom jika perlu, atau pilih kolom lain.

Pesan pengecualian
Kolom vektor ditentukan sebagai kolom Label.

Kesalahan 0124

Pengecualian terjadi jika kolom non-numerik ditentukan sebagai kolom bobot.

Resolusi:

Pesan pengecualian
Kolom non-numerik ditentukan sebagai kolom bobot.

Kesalahan 0125

Disingkirkan saat skema untuk beberapa himpunan data tidak cocok.

Resolusi:

Pesan pengecualian
Skema himpunan data tidak cocok.

Kesalahan 0126

Pengecualian terjadi jika pengguna menentukan domain SQL yang tidak didukung di Azure ML.

Kesalahan ini dihasilkan ketika pengguna menentukan domain SQL yang tidak didukung di Pembelajaran Mesin. Anda akan menerima kesalahan ini jika Anda mencoba menyambungkan ke server database di domain yang tidak ada dalam daftar yang diizinkan. Saat ini, domain SQL yang diizinkan adalah: ".database.windows.net", ".cloudapp.net", atau ".database.secure.windows.net". Artinya, server harus menjadi server Azure SQL atau server di komputer virtual di Azure.

Resolusi: Lihat kembali modulnya. Verifikasi bahwa server database SQL milik salah satu domain yang diterima:

• .database.windows.net

• .cloudapp.net

• .database.secure.windows.net

Pesan pengecualian
Domain SQL yang tidak didukung.
Domain SQL {0} saat ini tidak didukung di Azure ML

Kesalahan 0127

Ukuran piksel gambar melebihi batas yang diperbolehkan

Kesalahan ini terjadi jika Anda membaca gambar dari himpunan data gambar untuk klasifikasi dan gambar lebih besar dari yang dapat dihandel oleh model.

Resolusi: Untuk informasi selengkapnya tentang ukuran gambar dan persyaratan lainnya, lihat topik ini:

• Impor Gambar

• Klasifikasi Gambar Kaskade yang Telah Dilatih Sebelumnya

Pesan pengecualian
Ukuran piksel gambar melebihi batas yang diperbolehkan.
Ukuran piksel gambar dalam file '{0}' melebihi batas yang diizinkan: '{1}'

Kesalahan 0128

Jumlah probabilitas bersyarat untuk kolom kategoris melebihi batas.

Resolusi:

Pesan pengecualian
Jumlah probabilitas bersyarat untuk kolom kategoris melebihi batas.
Jumlah probabilitas bersyarat untuk kolom kategoris melebihi batas. Kolom '{0}' dan '{1}' adalah pasangan yang bermasalah.

Kesalahan 0129

Jumlah kolom dalam himpunan data melebihi batas yang diizinkan.

Resolusi:

Pesan pengecualian
Jumlah kolom dalam himpunan data melebihi batas yang diizinkan.
Jumlah kolom dalam himpunan data di '{0}' melebihi yang diizinkan.'
Jumlah kolom dalam himpunan data di '{0}' melebihi batas '{1}'.' yang diizinkan
Jumlah kolom dalam himpunan data dalam '{0}' melebihi batas '{1}' '' yang diizinkan dari '{2}'.'

Kesalahan 0130

Pengecualian terjadi ketika semua baris dalam himpunan data pelatihan berisi nilai yang hilang.

Ini terjadi ketika beberapa kolom dalam himpunan data pelatihan kosong.

Resolusi: Gunakan modul Bersihkan Data yang Hilang untuk menghapus kolom dengan semua nilai yang hilang.

Pesan pengecualian
Semua baris dalam himpunan data pelatihan berisi nilai yang hilang. Pertimbangkan untuk menggunakan modul Bersihkan Data yang Hilang untuk menghapus nilai yang hilang.

Kesalahan 0131

Pengecualian terjadi jika satu atau beberapa himpunan data dalam file zip gagal di-unzip dan didaftarkan dengan benar

Kesalahan ini dihasilkan ketika satu atau beberapa himpunan data dalam file zip gagal di-unzip dan dibaca dengan benar. Anda akan menerima kesalahan ini jika pembukaan kemasan gagal karena file zip itu sendiri atau salah satu file di dalamnya rusak, atau ada kesalahan sistem saat mencoba membuka kemasan dan memperluas file.

Resolusi: Gunakan detail yang disediakan dalam pesan kesalahan untuk menentukan cara melanjutkan.

Pesan pengecualian
Upload himpunan data zip gagal
Himpunan data {0} zip gagal dengan pesan berikut: {1}
Himpunan data {0} zip gagal dengan {1} pengecualian dengan pesan: {2}

Kesalahan 0132

Tidak ada nama file yang ditentukan untuk pembukaan kemasan; beberapa file ditemukan dalam file zip.

Kesalahan ini dihasilkan ketika tidak ada nama file yang ditentukan untuk pembukaan kemasan; beberapa file ditemukan dalam file zip. Anda akan menerima kesalahan ini jika file .zip berisi lebih dari satu file terkompresi, tetapi Anda tidak menentukan file untuk ekstraksi dalam kotak teks Himpunan Data untuk Membongkar , di panel Properti modul. Saat ini, hanya satu file yang dapat diekstrak setiap kali modul dijalankan.

Resolusi: Pesan kesalahan menyediakan daftar file yang ditemukan dalam file .zip. Salin nama file yang diinginkan dan tempelkan ke dalam Himpunan Data ke kotak teks Buka Kemasan .

Pesan pengecualian
File Zip berisi beberapa file; Anda harus menentukan file yang akan diperluas.
File berisi lebih dari satu file. Tentukan file yang akan diperluas. File berikut ditemukan: {0}

Kesalahan 0133

File yang ditentukan tidak ditemukan dalam file zip

Kesalahan ini dihasilkan ketika nama file yang dimasukkan di bidang Himpunan Data untuk Membuka kemasan panel Properti tidak cocok dengan nama file apa pun yang ditemukan dalam file .zip. Penyebab paling umum dari kesalahan ini adalah kesalahan pengetikan atau mencari file arsip yang salah agar file diperluas.

Resolusi: Lihat kembali modulnya. Jika nama file yang ingin Anda dekompresi muncul dalam daftar file yang ditemukan, salin nama file dan tempelkan ke dalam kotak properti Himpunan Data untuk Membuka kemasan properti. Jika Anda tidak melihat nama file yang diinginkan dalam daftar, verifikasi bahwa Anda memiliki file .zip yang benar dan nama yang benar untuk file yang diinginkan.

Pesan pengecualian
File yang ditentukan tidak ditemukan dalam file zip.
File yang ditentukan tidak ditemukan. Menemukan file berikut: {0}

Kesalahan 0134

Pengecualian terjadi saat kolom label hilang atau memiliki jumlah baris berlabel yang tidak mencukupi.

Kesalahan ini terjadi ketika modul memerlukan kolom label, tetapi Anda tidak menyertakannya dalam pilihan kolom, atau kolom label kehilangan terlalu banyak nilai.

Kesalahan ini juga dapat terjadi ketika operasi sebelumnya mengubah himpunan data sedemikian rupa sehingga tidak cukup tersedia baris untuk operasi hilir. Misalnya, Anda menggunakan ekspresi dalam modul Partisi dan Sampel untuk membagi himpunan data berdasarkan nilai. Jika tidak ada kecocokan yang ditemukan untuk ekspresi Anda, salah satu himpunan data yang dihasilkan dari partisi akan kosong.

Resolusi:

Jika Anda menyertakan kolom label dalam pilihan kolom tetapi tidak dikenali, gunakan modul Edit Metadata untuk menandainya sebagai kolom label.

Gunakan modul Ringkasan Data untuk menghasilkan laporan yang menunjukkan berapa banyak nilai yang hilang di setiap kolom. Kemudian, Anda dapat menggunakan modul Bersihkan Data Hilang untuk menghapus baris dengan nilai yang hilang di kolom label.

Periksa himpunan data input Anda untuk memastikan bahwa himpunan data tersebut berisi data yang valid, dan baris yang cukup untuk memenuhi persyaratan operasi. Banyak algoritma akan menghasilkan pesan kesalahan jika memerlukan beberapa jumlah baris data minimum, tetapi data hanya berisi beberapa baris, atau hanya header.

Pesan pengecualian
Pengecualian terjadi saat kolom label hilang atau memiliki jumlah baris berlabel yang tidak mencukupi.
Pengecualian terjadi ketika kolom label hilang atau memiliki kurang dari {0} baris berlabel

Kesalahan 0135

Hanya kluster berbasis sentroid yang didukung.

Resolusi: Anda mungkin mengalami pesan kesalahan ini jika Anda telah mencoba mengevaluasi model pengklusteran yang didasarkan pada algoritma pengklusteran kustom yang tidak menggunakan sentroid untuk menginisialisasi kluster.

Anda dapat menggunakan Evaluasi Model untuk mengevaluasi model pengklusteran yang didasarkan pada modul Pengklusteran K-Means . Untuk algoritma kustom, gunakan modul Jalankan Skrip R untuk membuat skrip evaluasi kustom.

Pesan pengecualian
Hanya kluster berbasis sentroid yang didukung.

Kesalahan 0136

Tidak ada nama file yang dikembalikan; tidak dapat memproses file sebagai hasilnya.

Resolusi:

Pesan pengecualian
Tidak ada nama file yang dikembalikan; tidak dapat memproses file sebagai hasilnya.

Kesalahan 0137

Azure Storage SDK mengalami kesalahan saat mengonversi antara properti tabel dan kolom himpunan data selama baca atau tulis.

Resolusi:

Pesan pengecualian
Kesalahan konversi antara properti penyimpanan tabel Azure dan kolom himpunan data.
Kesalahan konversi antara properti penyimpanan tabel Azure dan kolom himpunan data. Informasi tambahan: {0}

Kesalahan 0138

Memori telah habis, tidak dapat menyelesaikan menjalankan modul. Downsampling himpunan data dapat membantu meringankan masalah.

Kesalahan ini terjadi ketika modul yang berjalan membutuhkan lebih banyak memori daripada yang tersedia di kontainer Azure. Ini dapat terjadi jika Anda bekerja dengan himpunan data besar dan operasi saat ini tidak dapat masuk ke dalam memori.

Resolusi: Jika Anda mencoba membaca himpunan data besar dan operasi tidak dapat diselesaikan, downsampling himpunan data mungkin membantu.

Jika Anda menggunakan visualisasi pada himpunan data untuk memeriksa kardinalitas kolom, hanya beberapa baris yang diambil sampelnya. Untuk mendapatkan laporan lengkap, gunakan Ringkasan Data. Anda juga dapat menggunakan Terapkan Transformasi SQL untuk memeriksa jumlah nilai unik di setiap kolom.

Terkadang beban sementara dapat menyebabkan kesalahan ini. Dukungan mesin juga berubah dari waktu ke waktu. Lihat FAQ Pembelajaran Mesin untuk deskripsi ukuran data yang didukung.

Coba gunakan Analisis Komponen Utama atau salah satu metode pemilihan fitur yang disediakan untuk mengurangi himpunan data Anda ke sekumpulan kolom yang lebih kecil yang lebih kaya fitur: Pemilihan Fitur

Pesan pengecualian
Memori telah habis, tidak dapat menyelesaikan menjalankan modul.

Kesalahan 0139

Pengecualian terjadi ketika tidak dimungkinkan untuk mengonversi kolom ke jenis lain.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika Anda mencoba mengonversi kolom ke jenis data yang berbeda, tetapi jenis tersebut tidak didukung oleh operasi saat ini atau oleh modul.

Kesalahan mungkin juga muncul ketika modul mencoba mengonversi data secara implisit untuk memenuhi persyaratan modul saat ini, tetapi konversi tidak dimungkinkan.

Resolusi:

1. Tinjau data input Anda dan tentukan jenis data yang tepat dari kolom yang ingin Anda gunakan, dan jenis data kolom yang menghasilkan kesalahan. Terkadang Anda mungkin berpikir jenis data sudah benar, tetapi menemukan bahwa operasi upstram telah memodifikasi jenis data atau penggunaan kolom. Gunakan modul Edit Metadata untuk mereset metadata kolom ke status aslinya.

2. Lihat halaman bantuan modul untuk memverifikasi persyaratan untuk operasi yang ditentukan. Tentukan jenis data mana yang didukung oleh modul saat ini, dan rentang nilai apa yang didukung.

3. Jika nilai perlu dipotong, dibulatkan, atau outlier dihapus, gunakan modul Terapkan Operasi Matematika atau Nilai Klip untuk membuat koreksi.

4. Pertimbangkan apakah mungkin untuk mengonversi atau mentransmisikan kolom ke jenis data yang berbeda. Semua modul berikut memberikan fleksibilitas dan daya yang cukup besar untuk memodifikasi data:

   • Terapkan Transformasi SQL
   • Jalankan skrip R
   • Jalankan Skrip Python.

Catatan

Masih belum bekerja? Pertimbangkan untuk memberikan umpan balik tambahan tentang masalah ini, untuk membantu kami mengembangkan panduan pemecahan masalah yang lebih baik. Cukup kirimkan umpan balik di halaman ini dan berikan nama modul yang menghasilkan kesalahan, dan konversi jenis data yang gagal.

Pesan pengecualian
Konversi tidak diperbolehkan.
Tidak dapat mengonversi: {0}.
Tidak dapat mengonversi: {0}, pada baris {1}.
Tidak dapat mengonversi kolom tipe {0} ke kolom tipe {1} pada baris {2}.
Tidak dapat mengonversi kolom "{2}" dari tipe {0} ke kolom tipe {1} pada baris {3}.
Tidak dapat mengonversi kolom "{2}" dari tipe {0} ke kolom "{3}" dari jenis {1} pada baris {4}.

Kesalahan 0140

Pengecualian terjadi jika argumen kumpulan kolom yang diteruskan tidak berisi kolom lain kecuali kolom label.

Kesalahan ini terjadi jika Anda menghubungkan himpunan data ke modul yang memerlukan beberapa kolom, termasuk fitur, tetapi Anda hanya menyediakan kolom label.

Resolusi: Pilih setidaknya satu kolom fitur untuk disertakan dalam himpunan data.

Pesan pengecualian
Kumpulan kolom yang ditentukan tidak berisi kolom lain kecuali kolom label.

Kesalahan 0141

Pengecualian terjadi jika jumlah kolom numerik yang dipilih dan nilai unik dalam kolom kategoris dan untai (karakter) terlalu kecil.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika tidak ada cukup nilai unik di kolom yang dipilih untuk melakukan operasi.

Resolusi: Beberapa operasi melakukan operasi statistik pada kolom fitur dan kategoris, dan jika tidak ada nilai yang cukup, operasi mungkin gagal atau mengembalikan hasil yang tidak valid. Periksa himpunan data Anda untuk melihat berapa banyak nilai yang ada di kolom fature dan label, dan tentukan apakah operasi yang coba Anda lakukan valid secara statistik.

Jika himpunan data sumber adalah valid, Anda bisa juga memeriksa apakah beberapa manipulasi data upstram atau operasi metadata telah mengubah data dan menghapus beberapa nilai.

Jika operasi upstram termasuk pemisahan, pengambilan sampel, atau pengambilan sampel ulang, verifikasi bahwa output berisi jumlah baris dan nilai yang diharapkan.

Pesan pengecualian
Jumlah kolom numerik yang dipilih dan nilai unik dalam kolom kategoris dan untai (karakter) terlalu kecil.
Jumlah total kolom numerik yang dipilih dan nilai unik dalam kolom kategoris dan string (saat ini {0}) setidaknya harus {1}

Kesalahan 0142

Pengecualian terjadi ketika sistem tidak dapat memuat sertifikat untuk mengautentikasi.

Resolusi:

Pesan pengecualian
Sertifikat tidak dapat dimuat.
Sertifikat {0} tidak dapat dimuat. Thumbprint-nya adalah {1}.

Kesalahan 0143

Tidak dapat mengurai URL yang disediakan pengguna yang seharusnya berasal dari GitHub.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika Anda menentukan URL yang tidak valid dan modul memerlukan URL GitHub yang valid.

Resolusi: Verifikasi bahwa URL mengacu pada repositori GitHub yang valid. Tipe situs lain tidak didukung.

Pesan pengecualian
URL bukan dari github.com.
URL bukan dari github.com: {0}

Kesalahan 0144

Url GitHub yang disediakan pengguna tidak memiliki bagian yang diharapkan.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika Anda menentukan sumber file GitHub menggunakan format URL yang tidak valid.

Resolusi: Periksa apakah URL repositori GitHub valid dan diakhapi dengan \blob\ atau \tree\.

Pesan pengecualian
Tidak dapat mengurai URL GitHub.
Tidak dapat mengurai URL GitHub (mengharapkan '\blob\' atau '\tree\' setelah nama repositori):{0}

Kesalahan 0145

Tidak dapat membuat direktori replikasi karena alasan tertentu.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika modul gagal membuat direktori yang ditentukan.

Resolusi:

Pesan pengecualian
Tidak dapat membuat direktori replikasi.

Kesalahan 0146

Ketika file pengguna di-unzip ke direktori lokal, jalur gabungan mungkin terlalu panjang.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika Anda mengekstrak file tetapi beberapa nama file terlalu panjang ketika di-unzip.

Resolusi: Edit nama file sehingga jalur gabungan dan nama file tidak lebih dari 248 karakter.

Pesan pengecualian
Jalur replikasi lebih panjang dari 248 karakter, perpendek nama atau jalur skrip.

Kesalahan 0147

Tidak dapat mengunduh barang dari GitHub karena alasan tertentu

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika Anda tidak dapat membaca atau mengunduh file yang ditentukan dari GitHub.

Resolusi: Masalah ini mungkin bersifat sementara; Anda mungkin mencoba mengakses file di lain waktu. Atau verifikasi bahwa Anda memiliki izin yang diperlukan dan bahwa sumbernya valid.

Pesan pengecualian
GitHub kesalahan akses.
GitHub kesalahan akses. {0}

Kesalahan 0148

Masalah akses tidak sah saat mengekstrak data atau membuat direktori.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika Anda mencoba membuat direktori atau membaca data dari penyimpanan tetapi tidak memiliki izin yang diperlukan.

Resolusi:

Pesan pengecualian
Pengecualian akses tidak sah saat mengekstrak data.

Kesalahan 0149

File pengguna tidak ada di dalam bundel GitHub.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika file yang ditentukan tidak dapat ditemukan.

Resolusi:

Pesan pengecualian
file GitHub tidak ditemukan.
file GitHub tidak ditemukan.:{0}

Kesalahan 0150

Skrip yang berasal dari paket pengguna tidak dapat di-unzip, kemungkinan besar karena tabrakan dengan file GitHub.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika skrip tidak dapat diekstrak, biasanya ketika ada file yang ada dengan nama yang sama.

Resolusi:

Pesan pengecualian
Tidak dapat membuka zip bundel; kemungkinan tabrakan nama dengan file GitHub.

Kesalahan 0151

Terjadi kesalahan saat menulis ke penyimpanan cloud. Periksa URL.

Kesalahan dalam Pembelajaran Mesin ini terjadi ketika modul mencoba menulis data ke penyimpanan cloud tetapi URL tidak tersedia atau tidak valid.

Resolusi: Periksa URL dan verifikasi bahwa URL dapat ditulis.

Pesan pengecualian
Kesalahan saat menulis ke penyimpanan cloud (mungkin url yang buruk).
Kesalahan saat menulis ke penyimpanan cloud: {0}. Periksa url.

Kesalahan 0152

Jenis cloud Azure ditentukan dengan tidak benar dalam konteks modul.

Pesan pengecualian
Jenis Cloud Azure Buruk
Jenis Cloud Azure Buruk: {0}

Kesalahan 0153

Titik akhir penyimpanan yang ditentukan tidak valid.

Pesan pengecualian
Jenis Cloud Azure Buruk
Titik Akhir Storage Buruk:{0}

Kesalahan 0154

Nama server yang ditentukan tidak dapat diselesaikan

Pesan pengecualian
Nama server yang ditentukan tidak dapat diselesaikan
Server yang ditentukan {0}.documents.azure.com tidak dapat diselesaikan

Kesalahan 0155

Klien DocDb melemparkan pengecualian

Pesan pengecualian
Klien DocDb melemparkan pengecualian
Klien DocDb: {0}

Kesalahan 0156

Respons buruk untuk Server HCatalog.

Pesan pengecualian
Respons buruk untuk Server HCatalog. Periksa apakah semua layanan berjalan.
Respons buruk untuk Server HCatalog. Periksa apakah semua layanan berjalan. Detail kesalahan: {0}

Kesalahan 0157

Terjadi kesalahan saat membaca dari Azure Cosmos DB karena skema dokumen yang tidak konsisten atau berbeda. Pembaca mengharuskan semua dokumen memiliki skema yang sama.

Pesan pengecualian
Dokumen yang terdeteksi dengan skema yang berbeda. Pastikan semua dokumen memiliki skema yang sama

Kesalahan 1000

Pengecualian pustaka internal.

Kesalahan ini disediakan untuk mengambil kesalahan mesin internal yang tidak tertangani. Oleh karena itu, penyebab kesalahan ini mungkin berbeda tergantung pada modul yang menghasilkan kesalahan.

Untuk mendapatkan bantuan lebih lanjut, kami sarankan Anda memposting pesan terperinci yang menyertai kesalahan ke forum Pembelajaran Mesin, bersama dengan deskripsi skenario, termasuk data yang digunakan sebagai input. Umpan balik ini akan membantu kami memprioritaskan kesalahan dan mengidentifikasi masalah yang paling penting untuk pekerjaan lebih lanjut.

Pesan pengecualian
Pengecualian pustaka.
Pengecualian pustaka: {0}
{0} pengecualian pustaka: {1}

Bantuan lainnya

Kode kesalahan modul

Perlu bantuan atau tips pemecahan masalah lainnya untuk Pembelajaran Mesin? Coba sumber daya ini:

• Panduan pemecahan masalah: Membuat dan menyambungkan ke ruang kerja Pembelajaran Mesin
• Pembelajaran Mesin Tanya Jawab Umum (FAQ)