디자이너의 예외 및 오류 코드

이 문서에서는 기계 학습 파이프라인 문제를 해결하는 데 도움이 되는 Azure Machine Learning 디자이너의 오류 메시지 및 예외 코드에 대해 설명합니다.

다음 단계에 따라 디자이너에서 오류 메시지를 찾을 수 있습니다.

• 실패한 구성 요소를 선택하고 출력 + 로그 탭으로 이동하여 azureml-logs 범주의 70_driver_log.txt 파일에서 자세한 로그를 찾을 수 있습니다.

• 구성 요소 오류의 자세한 내용은 module_statistics 범주의 error_info.json에서 확인할 수 있습니다.

다음은 디자이너의 구성 요소에 대한 오류 코드입니다.

오류 0001

데이터 집합의 지정된 열을 하나 이상 찾을 수 없는 경우 예외가 발생합니다.

구성 요소에 대해 열을 선택했지만 선택한 열이 입력 데이터 집합에 없는 경우 이 오류가 발생합니다. 이 오류는 열 이름을 수동으로 입력했거나 파이프라인을 실행할 때 데이터 세트에 존재하지 않는 제안된 열을 열 선택기에서 제공한 경우에 발생할 수 있습니다.

해결 방법: 이 예외가 발생하는 구성 요소를 다시 방문하여 열 이름이 올바른지 그리고 참조된 모든 열이 존재하는지 확인합니다.

예외 메시지
하나 이상의 지정된 열을 찾을 수 없습니다.
이름 또는 인덱스가 "{column_id}"인 열을 찾을 수 없습니다.
이름 또는 인덱스가 "{column_id}"인 열이 "{arg_name_missing_column}"에 없습니다.
이름 또는 인덱스가 "{column_id}"인 열은 "{arg_name_missing_column}"에 없지만 "{arg_name_has_column}"에 있습니다.
이름 또는 인덱스가 "{column_names}"인 열을 찾을 수 없습니다.
이름 또는 인덱스가 "{column_names}"인 열이 "{arg_name_missing_column}"에 없습니다.
이름 또는 인덱스가 "{column_names}"인 열은 "{arg_name_missing_column}"에 없지만 "{arg_name_has_column}"에 있습니다.

오류 0002

하나 이상의 매개 변수를 구문 분석하거나 지정된 형식에서 대상 메서드 형식에 필요한 매개 변수로 변환할 수 없는 경우 예외가 발생합니다.

이 오류는 매개 변수를 입력으로 지정하고 값 형식이 예상되는 형식과 다르며 암시적 변환을 수행할 수 없는 경우 Azure Machine Learning에서 발생합니다.

해결 방법: 구성 요소 요구 사항을 확인하고 필요한 값 형식(문자열, 정수, double 등)을 결정합니다.

예외 메시지
매개 변수를 구문 분석하지 못했습니다.
"{arg_name_or_column}" 매개 변수를 구문 분석하지 못했습니다.
"{arg_name_or_column}" 매개 변수를 "{to_type}"로 변환하지 못했습니다.
"{arg_name_or_column}" 매개 변수를 "{from_type}"에서 "{to_type}"(으)로 변환하지 못했습니다.
"{arg_name_or_column}" 매개 변수 값 "{arg_value}"을 "{from_type}"에서 "{to_type}"으로 변환하지 못했습니다.
열 "{arg_value}"의 "{arg_name_or_column}" 값을 "{from_type}"에서 "{to_type}"로 변환하지 못했습니다. "{fmt}" 형식을 사용했습니다.

오류 0003

하나 이상의 입력이 null이거나 비어 있으면 예외가 발생합니다.

구성 요소에 대한 입력 또는 매개 변수가 null이거나 비어 있으면 Azure Machine Learning에서 이 오류가 표시됩니다. 예를 들어 매개 변수에 대한 값을 입력하지 않은 경우 이 오류가 발생할 수 있습니다. 또한 값이 누락된 데이터 세트 또는 빈 데이터 세트를 선택한 경우에도 이 오류가 발생할 수 있습니다.

해결 방법:

• 예외가 발생한 구성 요소를 열고 모든 입력이 지정되었는지 확인합니다. 모든 필수 입력이 지정되어 있는지 확인합니다.
• Azure Storage에서 로드된 데이터에 액세스할 수 있고 계정 이름 또는 키가 변경되지 않았는지 확인합니다.
• 입력 데이터의 값이 누락되었거나 null인지 확인합니다.
• 데이터 원본에서 쿼리를 사용하는 경우 데이터가 예상한 형식으로 반환되는지 확인합니다.
• 데이터 사양의 오타 또는 기타 변경 내용을 확인합니다.

예외 메시지
하나 이상의 입력이 null이거나 비어 있습니다.
입력 "{name}"이(가) null이거나 비어 있습니다.

오류 0004

매개 변수가 특정 값 이하이면 예외가 발생합니다.

메시지의 매개 변수가 구성 요소가 데이터를 처리하는 데 필요한 경계 값보다 낮으면 Azure Machine Learning에서 이 오류가 표시됩니다.

해결 방법: 예외가 발생하는 구성 요소를 다시 방문하고 매개 변수를 지정된 값보다 큰 값으로 수정합니다.

예외 메시지
매개 변수는 경계 값보다 커야 합니다.
매개 변수 "{arg_name}" 값은 {lower_boundary}보다 커야 합니다.
매개 변수 "{arg_name}"의 값은 {lower_boundary}보다 커야 하는 "{actual_value}"입니다.

오류 0005

매개 변수가 특정 값보다 작은 경우 예외가 발생합니다.

메시지의 매개 변수가 구성 요소에서 데이터를 처리하는 데 필요한 경계 값 이하이거나 같으면 Azure Machine Learning에서 이 오류가 발생합니다.

해결 방법: 예외가 발생하는 구성 요소를 다시 방문하고 매개 변수를 지정된 값과 같거나 그보다 큰 값으로 수정합니다.

예외 메시지
매개 변수는 경계 값보다 크거나 같아야 합니다.
매개 변수 "{arg_name}" 값은 {lower_boundary}보다 크거나 같아야 합니다.
매개 변수 "{arg_name}"의 값은 {lower_boundary}보다 크거나 같아야 합니다.

오류 0006

매개 변수가 지정된 값보다 크거나 같은 경우 예외가 발생합니다.

메시지의 매개 변수가 구성 요소가 데이터를 처리하는 데 필요한 경계 값보다 크거나 같으면 Azure Machine Learning에서 이 오류가 발생합니다.

해결 방법: 예외가 발생하는 구성 요소를 다시 방문하고 매개 변수를 지정된 값보다 작은 값으로 수정합니다.

예외 메시지
매개 변수가 일치하지 않습니다. 매개 변수 중 하나가 다른 매개 변수보다 작아야 합니다.
매개 변수 "{arg_name}" 값은 매개 변수 "{upper_boundary_parameter_name}" 값보다 작아야 합니다.
매개 변수 "{arg_name}"의 값은 {upper_boundary_parameter_name}보다 작아야 합니다.

오류 0007

매개 변수가 특정 값보다 큰 경우 예외가 발생합니다.

구성 요소의 속성에서 허용되는 것보다 큰 값을 지정한 경우 Azure Machine Learning에서 이 오류가 표시됩니다. 예를 들어 지원되는 날짜 범위를 벗어난 데이터를 지정하거나 세 개의 열만 사용할 수 있을 때 5개의 열이 사용되도록 나타낼 수 있습니다.

어떤 식으로든 일치해야 하는 두 개의 데이터 집합을 지정하는 경우에도 이 오류가 표시될 수 있습니다. 예를 들어 열의 이름을 변경하고 인덱스별로 열을 지정하는 경우 제공하는 이름 수가 열 인덱스 수와 일치해야 합니다. 또 다른 예는 열의 행 수가 같아야 하는 두 열을 사용하는 수학 연산일 수 있습니다.

해결 방법:

• 문제의 구성 요소를 열고 숫자 속성 설정을 검토합니다.
• 모든 매개 변수 값이 해당 속성에 대해 지원되는 값의 범위 내에 있는지 확인합니다.
• 구성 요소에서 여러 입력을 사용하는 경우, 입력의 크기가 동일한지 확인합니다.

• 데이터 세트 또는 데이터 원본이 변경되었는지 확인합니다. 열 수, 열 데이터 형식 또는 데이터 크기가 변경된 후 이전 버전의 데이터에서 작업한 값이 실패하는 경우가 있습니다.

예외 메시지
매개 변수가 일치하지 않습니다. 매개 변수 중 하나가 다른 매개 변수보다 작거나 같아야 합니다.
"{arg_name}" 매개 변수 값은 "{upper_boundary_parameter_name}" 매개 변수 값과 같거나 그보다 작아야 합니다.
매개 변수 "{arg_name}"에는 {upper_boundary}보다 작거나 같아야 하는 "{actual_value}" 값이 있습니다.
매개 변수 "{arg_name}" 값 {actual_value}은(는) 매개 변수 "{upper_boundary_parameter_name}" 값 {upper_boundary}보다 작거나 같아야 합니다.
"{arg_name}" 매개 변수 값 "{actual_value}"은(는) {upper_boundary_meaning} 값인 {upper_boundary}와 같거나 그보다 작아야 합니다.

오류 0008

매개 변수가 범위에 없는 경우 예외가 발생합니다.

메시지의 매개 변수가 구성 요소가 데이터를 처리하는 데 필요한 범위를 벗어나면 Azure Machine Learning에서 이 오류가 표시됩니다.

예를 들어 행 추가를 사용하여 열 수가 다른 두 데이터 세트를 결합하려고 할 경우, 이 오류가 표시됩니다.

해결 방법: 예외가 발생하는 구성 요소를 다시 방문하고 매개 변수를 지정된 범위 내에 있는 값으로 수정합니다.

예외 메시지
매개 변수 값이 지정된 범위에 없습니다.
매개 변수 "{arg_name}" 값이 범위에 없습니다.
매개 변수 "{arg_name}" 값은 [{lower_boundary}, {upper_boundary}] 범위에 있어야 합니다.
매개 변수 "{arg_name}" 값이 범위에 없습니다. {reason}

오류 0009

Azure Storage 계정 이름 또는 컨테이너 이름을 잘못 지정하면 예외가 발생합니다.

이 오류는 Azure Storage 계정에 대한 매개 변수를 지정할 때 Azure Machine Learning 디자이너에서 발생하지만 이름이나 암호를 확인할 수 없습니다. 암호 또는 계정 이름에 대한 오류는 여러 가지 이유로 발생할 수 있습니다.

• 계정이 잘못된 유형입니다. 일부 새 계정 유형은 Machine Learning 디자이너에서 사용할 수 없습니다. 자세한 내용은 데이터 가져오기를 참조하세요.
• 잘못된 계정 이름을 입력했습니다.
• 계정이 더 이상 존재하지 않음
• 스토리지 계정의 암호가 잘못되었거나 변경되었습니다.
• 컨테이너 이름을 지정하지 않았거나 컨테이너가 없습니다.
• 파일 경로(Blob에 대한 경로)를 완전히 지정하지 않았습니다.

해결 방법:

이러한 문제들은 계정 이름, 암호 또는 컨테이너 경로를 수동으로 입력하려고 할 때 발생하는 경우가 많습니다. 이름을 조회하고 확인하는 데 도움이 되는 데이터 가져오기 구성 요소에 대해서는 새 마법사를 사용하는 것이 좋습니다.

또한 계정, 컨테이너 또는 Blob이 삭제되었는지 확인합니다. 다른 Azure Storage 유틸리티를 사용하여 계정 이름과 암호가 올바르게 입력되었으며 컨테이너가 존재하는지 확인합니다.

일부 최신 계정 유형은 Azure Machine Learning에서 지원되지 않습니다. 예를 들어 새로운 "핫" 또는 "콜드" 스토리지 유형은 기계 학습에 사용할 수 없습니다. 클래식 스토리지 계정과 "범용"으로 만들어진 스토리지 계정은 모두 제대로 작동합니다.

Blob에 대한 전체 경로를 지정한 경우 경로가 컨테이너/Blobname으로 지정되고 컨테이너와 Blob이 모두 계정에 있는지 확인합니다.

경로에 선행 슬래시가 포함되어서는 안 됩니다. 예를 들어 /container/blob이 올바르지 않으며 컨테이너/Blob으로 입력해야 합니다.

예외 메시지
Azure Storage 계정 이름 또는 컨테이너 이름이 올바르지 않습니다.
Azure Storage 계정 이름 "{account_name}" 또는 컨테이너 이름 "{container_name}"이(가) 잘못되었습니다. 컨테이너/Blob 형식의 컨테이너 이름이 필요합니다.

오류 0010

입력 데이터 세트에서 일치해야 할 열 이름이 일치하지 않을 경우, 예외가 발생합니다.

메시지의 열 인덱스에 두 입력 데이터 세트의 열 이름이 다른 경우 Azure Machine Learning에서 이 오류가 발생합니다.

해결 방법: 메타데이터 편집을 사용하거나 지정된 열 인덱스의 열 이름이 같도록 원래 데이터 세트를 수정합니다.

예외 메시지
입력 데이터 세트의 해당 인덱스가 있는 열의 이름은 다릅니다.
열 이름은 입력 데이터 세트의 {col_index}(0부터 시작)({dataset1} 및 {dataset2} 각각)에 대해 동일하지 않습니다.

오류 0011

전달된 열 집합 인수가 데이터 세트 열에 적용되지 않는 경우 예외가 발생합니다.

지정된 열 선택 영역이 지정된 데이터 세트의 열과 일치하지 않으면 Azure Machine Learning에서 이 오류가 표시됩니다.

열을 선택하지 않았으며 구성 요소가 작동하기 위해 적어도 하나 이상의 열이 필요한 경우에도 이 오류가 발생할 수 있습니다.

해결 방법: 데이터 세트의 열에 적용되도록 구성 요소의 열 선택을 수정합니다.

구성 요소에서 레이블 열과 같이 특정 열을 선택해야 하는 경우, 오른쪽 열이 선택되었는지 확인합니다.

부적절한 열을 선택한 경우 해당 열을 제거하고 파이프라인을 다시 실행합니다.

예외 메시지
지정된 열 집합이 데이터 세트 열에 적용되지 않습니다.
지정한 열 집합 "{column_set}"은(는) 데이터 세트 열에 적용되지 않습니다.

오류 0012

전달된 인수 집합을 사용하여 클래스 인스턴스를 만들 수 없는 경우 예외가 발생합니다.

해결 방법: 이 오류는 사용자가 수행할 수 없으며 향후 릴리스에서는 더 이상 사용되지 않습니다.

예외 메시지
학습되지 않은 모델, 먼저 모델을 학습하세요.
학습되지 않은 모델 ({arg_name})입니다. 학습된 모델을 사용하세요.

오류 0013

구성 요소에 전달된 학습자의 유형이 잘못된 경우에 예외가 발생합니다.

이 오류는 학습된 모델이 연결된 채점 구성 요소와 호환되지 않을 때마다 발생합니다.

해결 방법:

학습 구성 요소에 의해 생성되는 학습자 유형을 확인하고 학습자에 적합한 채점 구성 요소를 결정합니다.

특수화된 학습 구성 요소를 사용하여 모델을 학습한 경우, 학습된 모델을 그에 해당하는 특수화된 채점 구성 요소에만 연결합니다.

모델 유형	학습 구성 요소	채점 구성 요소
모든 분류자	모델 학습	모델 채점
모든 회귀 모델	모델 학습	모델 채점

예외 메시지
잘못된 형식의 학습자가 전달됩니다.
학습자 "{arg_name}"에 잘못된 형식이 있습니다.
학습자 "{arg_name}"에 잘못된 형식 "{learner_type}"이(가) 있습니다.
잘못된 형식의 학습자가 전달됩니다. 예외 메시지: {exception_message}

오류 0014

열의 고유 값 수가 허용되는 것보다 많으면 예외가 발생합니다.

이 오류는 열에 ID 열 또는 텍스트 열과 같은 고유 값이 너무 많은 경우에 발생합니다. 하나의 열이 범주형 데이터로 처리되도록 지정했지만 해당 열에 너무 많은 고유 값이 있어 처리를 완료할 수 없는 경우, 이 오류가 표시될 수 있습니다. 두 입력의 고유 값 수가 일치하지 않는 경우에도 이 오류가 표시될 수 있습니다.

다음 조건을 모두 충족하는 경우 고유 값의 오류가 허용되는 것보다 큽합니다.

• 한 열의 97% 이상 인스턴스는 고유한 값입니다. 즉, 거의 모든 범주가 서로 다릅니다.
• 하나의 열에는 1,000개 이상의 고유 값이 있습니다.

해결 방법:

오류가 발생한 구성 요소를 열고 입력으로 사용된 열을 식별합니다. 일부 구성 요소의 경우, 데이터 세트 입력을 마우스 오른쪽 단추로 클릭하고 시각화를 선택하여 고유 값의 수 및 그 배포를 포함해 개별 열에 대한 통계를 얻을 수 있습니다.

그룹화 또는 분류에 사용하려는 열의 경우 열의 고유 값 수를 줄이는 단계를 수행합니다. 열의 데이터 형식에 따라 다양한 방법으로 줄일 수 있습니다.

모델을 학습하는 동안 의미 있는 기능이 아닌 ID 열의 경우 메타데이터 편집을 사용하여 해당 열을 지우기 기능으로 표시할 수 있으며 모델을 학습하는 동안에는 사용되지 않습니다.

텍스트 열의 경우 특성 해시를 사용하거나 텍스트 구성 요소에서 N-Gram 기능을 추출하여 텍스트 열을 전처리할 수 있습니다.

팁

시나리오와 일치하는 해결 방법을 찾을 수 없나요? 오류가 발생한 구성 요소의 이름과 열의 데이터 형식 및 카디널리티를 포함하는 이 항목에 대한 피드백을 제공할 수 있습니다. 이 정보를 사용하여 일반적인 시나리오에 더 많은 대상 문제 해결 단계를 제공할 것입니다.

예외 메시지
열 고유 값의 양이 허용된 값보다 큽합니다.
열의 고유 값 수: "{column_name}"이(가) 허용보다 큽니다.
열의 고유 값 수: "{column_name}"이(가) {limitation}의 튜플 개수를 초과합니다.

오류 0015

데이터베이스 연결에 실패한 경우 예외가 발생합니다.

잘못된 SQL 계정 이름, 암호, 데이터베이스 서버 또는 데이터베이스 이름을 입력하거나 데이터베이스 또는 서버 문제로 인해 데이터베이스와의 연결을 설정할 수 없는 경우 이 오류가 발생합니다.

해결 방법: 계정 이름, 암호, 데이터베이스 서버 및 데이터베이스가 올바르게 입력되었으며 지정된 계정에 올바른 수준의 권한이 있는지 확인합니다. 데이터베이스에 현재 액세스할 수 있는지 확인합니다.

예외 메시지
데이터베이스에 연결하는 중에 오류가 발생했습니다.
데이터베이스 연결 오류: {connection_str}.

오류 0016

구성 요소에 전달된 입력 데이터 세트에 호환되는 열 형식이 있어야 하지만 그렇지 않은 경우 예외가 발생합니다.

둘 이상의 데이터 세트에 전달된 열 형식이 서로 호환되지 않는 경우 Azure Machine Learning에서 이 오류가 표시됩니다.

해결 방법: 메타데이터 편집을 사용하거나 원래 입력 데이터 세트를 수정하여 열 형식이 호환되는지 확인합니다.

예외 메시지
입력 데이트 세트에서 해당하는 인덱스의 열 형식이 호환되지 않습니다.
열 '{first_col_names}'은(는) 학습 데이터와 테스트 데이터 간에 호환되지 않습니다.
열 '{first_col_names}' 및 '{second_col_names}'은(는) 호환되지 않습니다.
열 요소 형식은 입력 데이터 세트의 열 '{first_col_names}'(0부터 시작하는)({first_dataset_names} 및 {second_dataset_names})과 호환되지 않습니다.

오류 0017

선택한 열이 현재 구성 요소에서 지원되지 않는 데이터 형식을 사용하는 경우 예외가 발생합니다.

예를 들어 열 선택에 수학 연산의 문자열 열 또는 범주 기능 열이 필요한 점수 열과 같이 구성 요소에서 처리할 수 없는 데이터 형식의 열이 포함된 경우 Azure Machine Learning에서 이 오류가 발생할 수 있습니다.

해결 방법:

1. 문제가 되는 열을 식별합니다.
2. 구성 요소의 요구 사항을 검토합니다.
3. 요구 사항을 준수하도록 열을 수정합니다. 다음 구성 요소 중 몇 가지를 사용하여 원하는 열 및 변환에 따라 변경해야 할 수 있습니다.
   • 메타데이터 편집을 사용하여 열의 데이터 형식을 변경하거나 열 사용량을 기능에서 숫자로, 범주를 범주가 아닌 범주 등으로 변경합니다.

4. 마지막 수단으로 원래 입력 데이터 세트를 수정해야 할 수 있습니다.

팁

시나리오와 일치하는 해결 방법을 찾을 수 없나요? 오류가 발생한 구성 요소의 이름과 열의 데이터 형식 및 카디널리티를 포함하는 이 항목에 대한 피드백을 제공할 수 있습니다. 이 정보를 사용하여 일반적인 시나리오에 더 많은 대상 문제 해결 단계를 제공할 것입니다.

예외 메시지
현재 형식의 열을 처리할 수 없습니다. 해당 형식은 구성 요소에서 지원되지 않습니다.
{col_type}형식의 열을 처리할 수 없습니다. 해당 형식은 구성 요소에서 지원되지 않습니다.
{col_type}형식의 열 "{col_name}"을(를) 처리할 수 없습니다. 해당 형식은 구성 요소에서 지원되지 않습니다.
{col_type}형식의 열 "{col_name}"을(를) 처리할 수 없습니다. 해당 형식은 구성 요소에서 지원되지 않습니다. 매개 변수 이름: {arg_name}.

오류 0018

입력 데이터 세트가 유효하지 않으면 예외가 발생합니다.

해결 방법: Azure Machine Learning의 이 오류는 여러 컨텍스트에서 나타날 수 있으므로 단일 해결 방법이 없습니다. 일반적으로 오류는 구성 요소에 입력으로 제공된 데이터에 잘못된 열 수가 있거나 데이터 형식이 구성 요소의 요구 사항과 일치하지 않음을 나타냅니다. 예시:

• 구성 요소에 레이블 열이 필요하지만 레이블로 표시된 열이 없거나 아직 레이블 열을 선택하지 않았습니다.

• 구성 요소를 사용하려면 데이터가 범주별 데이터여야 하지만 실제로는 숫자 데이터입니다.

• 데이터의 형식이 잘못되었습니다.

• 가져온 데이터에 잘못된 문자, 잘못된 값 또는 범위를 벗어난 값이 포함됩니다.

• 열이 비어 있거나 누락된 값이 너무 많이 포함되어 있습니다.

요구 사항 및 데이터 사용 방법을 확인하려면 데이터 세트를 입력으로 사용할 구성 요소에 대한 도움말 문서를 검토합니다.

.

예외 메시지
데이터 세트가 잘못되었습니다.
{dataset1}에 잘못된 데이터가 포함되어 있습니다.
{dataset1} 및 {dataset2}의 열은 일치해야 합니다.
{dataset1}에 잘못된 데이터 {reason}이(가) 포함되어 있습니다.
{dataset1}에 {invalid_data_category}이(가) 포함되어 있습니다. {troubleshoot_hint}
{dataset1}이(가) 잘못되었습니다. {reason}. {troubleshoot_hint}

오류 0019

열에 정렬된 값이 포함되어야 하지만 그렇지 않으면 예외가 발생합니다.

지정된 열 값이 순서가 없으면 Azure Machine Learning에서 이 오류가 표시됩니다.

해결 방법: 입력 데이터 세트를 수동으로 수정하고 구성 요소를 다시 실행하여 열 값을 정렬합니다.

예외 메시지
열의 값은 정렬되지 않습니다.
열 "{col_index}"의 값은 정렬되지 않습니다.
데이터 세트 "{dataset}"의 열 "{col_index}"에 있는 값이 정렬되어 있지 않습니다.
인수 "{arg_name}"의 값은 "{sorting_order}" 순서로 정렬되지 않습니다.

오류 0020

구성 요소에 전달된 데이터 세트 중 일부의 열 수가 너무 적으면 예외가 발생합니다.

구성 요소에 대해 충분한 열이 선택되지 않은 경우 Azure Machine Learning에서 이 오류가 표시됩니다.

해결 방법: 구성 요소를 다시 방문하여 열 선택기에 올바른 수의 열이 선택되어 있는지 확인합니다.

예외 메시지
입력 데이터 세트의 열 수가 허용되는 최소값보다 작습니다.
입력 데이터 세트 "{arg_name}"의 열 수가 허용되는 최소값보다 적습니다.
입력 데이터 세트의 열 수가 허용되는 최소 열 수인 {required_columns_count}개보다 적습니다.
입력 데이터 세트 "{arg_name}"의 열 수가 허용되는 최소 {required_columns_count} 열 수보다 적습니다.

오류 0021

구성 요소에 전달된 데이터 세트 중 일부의 행 수가 너무 적으면 예외가 발생합니다.

데이터 세트에 지정된 작업을 수행하기에 충분한 행이 없는 경우 Azure Machine Learning에서 표시되는 이 오류입니다. 예를 들어 입력 데이터 세트가 비어 있거나 유효한 최소 개수의 행이 필요한 작업을 수행하려는 경우 이 오류가 표시될 수 있습니다. 이러한 작업에는 통계 메서드, 특정 유형의 범주화 및 개수를 사용한 학습에 따라 그룹화 또는 분류가 포함될 수 있습니다(이에 국한되지 않음).

해결 방법:

• 오류를 반환한 구성 요소를 열고 입력 데이터 세트 및 구성 요소 속성을 확인합니다.
• 입력 데이터 세트가 비어 있지 않고 구성 요소 도움말에 설명된 요구 사항을 충족하기에 충분한 데이터 행이 있는지 확인합니다.
• 외부 원본에서 데이터를 로드하는 경우 데이터 원본을 사용할 수 있는지와 가져오기 프로세스가 행 수를 줄이도록 하는 데이터 정의에 오류 또는 변경 내용이 없는지 확인합니다.
• 데이터 형식 또는 값 수(예: 정리, 분할 또는 조인 작업)에 영향을 줄 수 있는 구성 요소의 데이터 업스트림에서 작업을 수행하는 경우 해당 작업의 출력을 확인하여 반환되는 행 수를 확인합니다.

예외 메시지
입력 데이터 세트의 행 수가 허용되는 최소값보다 적습니다.
입력 데이터 세트의 행 수가 허용되는 최소 행 수인 {required_rows_count}개보다 적습니다.
입력 데이터 세트의 행 수가 허용되는 최소 행 수인 {required_rows_count}개보다 적습니다. {reason}
입력 데이터 세트 "{arg_name}"의 행 수가 허용되는 최소 {required_rows_count} 행 수보다 적습니다.
입력 데이터 세트 "{arg_name}"의 행 수가 {actual_rows_count}이며 허용되는 최소 {required_rows_count} 행 수보다 적습니다.
입력 데이터 세트 "{arg_name}"의 "{row_type}" 행 수가 {actual_rows_count}개이며, 이는 허용되는 최소 행 수인 {required_rows_count}개보다 적습니다.

오류 0022

입력 데이터 세트의 선택한 열 수가 예상 수와 같지 않으면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 다운스트림 구성 요소 또는 작업에서 특정 개수의 열 또는 입력이 필요할 때 발생할 수 있으며, 사용자가 제공한 열 또는 입력이 너무 적거나 너무 많을 때에도 발생할 수 있습니다. 예시:

• 단일 레이블 열 또는 키 열을 지정하고 실수로 여러 열을 선택했습니다.

• 열의 이름을 바꾸지만 열보다 더 많거나 적은 이름을 제공했습니다.

• 원본 또는 대상의 열 수가 변경되었거나 구성 요소에서 사용하는 열 수와 일치하지 않습니다.

• 입력에 대해 쉼표로 구분된 값 목록을 제공했지만 값 수가 일치하지 않거나 여러 입력이 지원되지 않습니다.

해결 방법: 구성 요소를 다시 방문하고 열 선택을 점검하여 올바른 열 수를 선택했는지 확인합니다. 업스트림 구성 요소의 출력과 다운스트림 작업의 요구 사항을 확인합니다.

여러 열(열 인덱스, 모든 기능, 모든 숫자 등)을 선택할 수 있는 열 선택 옵션 중 하나를 사용한 경우 선택 영역에서 반환된 열의 정확한 개수의 유효성을 검사합니다.

업스트림 열의 개수 또는 형식이 변경되지 않았는지 확인합니다.

권장 사항 데이터 세트를 사용하여 모델을 학습하는 경우 권장 사항에는 사용자 항목 쌍 또는 사용자 항목 순위에 해당하는 제한된 수의 열이 필요합니다. 모델을 학습하거나 권장 사항 데이터 세트를 분할하기 전에 추가 열을 제거합니다. 자세한 내용은 데이터 분할을 참조 하세요.

예외 메시지
입력 데이터 세트의 선택한 열 수가 예상된 수와 같지 않습니다.
입력 데이터 세트의 선택한 열 수가 {expected_col_count}이(가) 아닙니다.
열 선택 패턴 "{selection_pattern_friendly_name}"은 입력 데이터 세트에서 {expected_col_count}이(가) 아닌 선택한 열 수를 제공합니다.
열 선택 패턴 "{selection_pattern_friendly_name}"은 입력 데이터 세트에서 선택한 {expected_col_count} 열을 제공해야 하지만 실제로는 {selected_col_count} 열이 제공됩니다.

오류 0023

입력 데이터 세트의 대상 열이 현재 트레이너 구성 요소에 유효하지 않은 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 대상 열(구성 요소 매개 변수에서 선택한 대로)이 유효한 데이터 형식이 아니거나 누락된 모든 값을 포함하거나 예상대로 범주화되지 않은 경우에 발생합니다.

해결 방법: 구성 요소 입력을 다시 확인하여 레이블/대상 열의 내용을 검사합니다. 누락된 값이 모두 없는지 확인합니다. 구성 요소에서 대상 열이 범주 열이어야 하는 경우, 대상 열에 둘 이상의 고유 값이 있는지 확인합니다.

예외 메시지
입력 데이트 세트에 지원되지 않는 대상 열이 있습니다.
입력 데이터 세트에 지원되지 않는 대상 열 "{column_index}"이(가) 있습니다.
입력 데이터 세트에는 {learner_type}형식의 학습자에 대해 지원되지 않는 대상 열 "{column_index}"이 있습니다.

오류 0024

데이터 세트에 레이블 열이 없는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 구성 요소에 레이블 열이 필요하고 데이터 세트에 레이블 열이 없는 경우에 발생합니다. 예를 들어 점수가 매표된 데이터 세트를 평가하려면 일반적으로 계산 정확도 메트릭에 레이블 열이 있어야 합니다.

또한 레이블 열이 데이터 세트 내에 있더라도 Azure Machine Learning에 의해 올바르게 검색되지 않을 수도 있습니다.

해결 방법:

• 오류가 발생한 구성 요소를 열어 레이블 열이 있는지 확인합니다. 열에 예측하려는 단일 결과(또는 종속 변수)가 포함되어 있는 한 열의 이름 또는 데이터 형식은 중요하지 않습니다. 레이블이 있는 열을 잘 모르는 경우 클래스 또는 대상과 같은 제네릭 이름을 찾습니다.
• 데이터 세트에 레이블 열이 포함되지 않은 경우 레이블 열이 명시적으로 또는 실수로 업스트림에서 제거되었을 수 있습니다. 또한 데이터 세트가 업스트림 채점 구성 요소의 출력이 아닐 수도 있습니다.
• 열을 레이블 열로 명시적으로 표시하려면 메타데이터 편집 구성 요소를 추가하고 데이터 세트를 연결합니다. 레이블 열만 선택하고 필드 드롭다운 목록에서 레이블을 선택합니다.
• 잘못된 열을 레이블로 선택한 경우 필드에서 레이블 지우기를 선택하여 열의 메타데이터를 수정할 수 있습니다.

예외 메시지
데이터 세트에 레이블 열이 없습니다.
"{dataset_name}"에 레이블 열이 없습니다.

오류 0025

데이터 세트에 점수 열이 없는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 평가된 모델에 대한 입력에 유효한 점수 열이 없는 경우에 발생합니다. 예를 들어 사용자가 올바른 학습된 모델로 점수를 매기기 전에 데이터 세트를 평가하려고 시도하거나 점수 열이 명시적으로 업스트림으로 삭제되었습니다. 이러한 예외는 두 데이터 세트의 점수 열이 호환되지 않을 경우에도 발생합니다. 예를 들어 선형 회귀기의 정확도를 이진 분류자와 비교하려고 할 수 있습니다.

해결 방법: 평가된 모델에 대한 입력을 다시 검토하고 하나 이상의 점수 열이 포함되어 있는지 검사합니다. 그렇지 않은 경우 데이터 세트가 채점되지 않았거나 점수 열이 업스트림 구성 요소에 삭제되었습니다.

예외 메시지
데이터 세트에 점수 열이 없습니다.
"{dataset_name}"에 점수 열이 없습니다.
"{learner_type}"에 의해 생성된 "{dataset_name}"에 점수 열이 없습니다. 올바른 유형의 학습자를 사용하여 데이터 세트의 점수를 매깁니다.

오류 0026

이름이 같은 열이 허용되지 않는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 여러 열의 이름이 같은 경우에 발생합니다. 이 오류가 발생할 수 있는 한 가지 방법은 데이터 세트에 머리글 행이 없고 열 이름이 자동으로 할당되는 경우(Col0, Col1 등)입니다.

해결 방법: 열 이름이 동일한 경우 입력 데이터 세트와 구성 요소 사이에 메타데이터 편집 구성 요소를 삽입합니다. 메타데이터 편집의 열 선택기를 사용하여 이름을 바꿀 열을 선택하고 새 열 이름 텍스트 상자에 새 이름을 입력합니다.

예외 메시지
같은 열 이름은 인수에 지정됩니다. 같은 열 이름은 구성 요소에서 허용되지 않습니다.
"{arg_name_1}" 및 "{arg_name_2}" 인수에는 같은 열 이름을 사용할 수 없습니다. 다른 이름을 지정하세요.

오류 0027

두 개체의 크기가 같아야 하지만 그렇지 않은 경우 예외가 발생합니다.

이는 Azure Machine Learning의 일반적인 오류이며 많은 조건으로 인해 발생할 수 있습니다.

해결 방법: 구체적인 해결 방법은 없습니다. 다만 다음과 같은 조건을 확인할 수 있습니다.

• 열 이름을 바꾸는 경우 각 목록(입력 열 및 새 이름 목록)의 항목 수가 동일한지 확인합니다.

• 두 데이터 세트를 조인하거나 연결하는 경우 동일한 스키마가 있는지 확인합니다.

• 여러 열이 있는 두 데이터 세트를 조인하는 경우 키 열의 데이터 형식이 같은지 확인하고 선택 영역에서 중복 허용 및 열 순서 유지 옵션을 선택합니다.

예외 메시지
전달된 개체의 크기가 일치하지 않습니다.
"{friendly_name1}" 크기가 "{friendly_name2}" 크기와 일치하지 않습니다.

오류 0028

열 집합에 중복된 열 이름이 포함되어 있고 허용되지 않는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 열 이름이 중복될 때 발생합니다. 즉, 고유하지 않습니다.

해결 방법: 이름이 같은 열이 있다면 입력 데이터 세트와 오류가 발생하는 구성 요소 사이에 메타데이터 편집 인스턴스를 추가합니다. 메타데이터 편집의 열 선택기를 사용하여 이름을 바꿀 열을 선택하고 새 열 이름 텍스트 상자에 새 열 이름을 입력합니다. 여러 열의 이름을 바꾸는 경우 새 열 이름에 입력하는 값이 고유한지 확인합니다.

예외 메시지
열 집합에는 중복된 열 이름이 포함됩니다.
이름 "{duplicated_name}"이(가) 중복되었습니다.
이름 "{duplicated_name}"이(가) "{arg_name}"에 중복되었습니다.
이름 "{duplicated_name}"이(가) 중복되었습니다. 세부 정보: {details}

오류 0029

잘못된 URI가 전달되는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 잘못된 URI가 전달된 경우에 발생합니다. 다음 조건 중 어느 것이라도 맞으면 이 오류가 발생합니다.

• 읽기 또는 쓰기를 위해 Azure Blob Storage에 제공된 공용 또는 SAS URI에 오류가 포함됩니다.

• SAS의 기간이 만료되었습니다.

• HTTP 소스를 통한 웹 URL은 파일 또는 루프백 URI를 나타냅니다.

• HTTP를 통한 웹 URL에는 형식이 잘못된 URL이 포함되어 있습니다.

• 원격 원본에서 URL을 확인할 수 없습니다.

해결 방법: 구성 요소를 다시 살펴보고 URI 형식을 확인합니다. 데이터 원본이 HTTP를 통한 웹 URL인 경우 의도한 원본이 파일 또는 루프백 URI(localhost)가 아닌지 확인합니다.

예외 메시지
잘못된 URI가 전달되었습니다.
URI "{invalid_url}"이(가) 잘못되었습니다.

오류 0030

파일을 다운로드할 수 없는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 예외는 파일을 다운로드할 수 없는 경우에 발생합니다. 세 번의 재시도 후 HTTP 원본에서 읽은 시도가 실패하면 이 예외가 발생합니다.

해결 방법: HTTP 원본에 대한 URI가 올바르고 현재 인터넷을 통해 사이트에 액세스할 수 있는지 확인합니다.

예외 메시지
파일을 다운로드할 수 없습니다.
파일을 다운로드하는 동안 오류가 발생했습니다. {file_url}.

오류 0031

열 집합의 열 수가 필요한 수보다 적으면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 선택한 열 수가 필요 없는 경우 발생합니다. 필요한 최소 열 수를 선택하지 않으면 이 오류가 표시됩니다.

해결 방법: 열 선택기를 사용하여 열 선택 영역에 열을 추가합니다.

예외 메시지
열 집합의 열 수는 필수보다 적습니다.
입력 인수 "{arg_name}"에 대해 최소한 {required_columns_count}개 이상의 열을 지정해야 합니다.
입력 인수 "{arg_name}"에 대해 최소한 {required_columns_count}개 이상의 열을 지정해야 합니다. 지정된 열의 실제 수는 {input_columns_count}입니다.

오류 0032

인수가 숫자가 아니면 예외가 발생합니다.

인수가 double 또는 NaN인 경우 Azure Machine Learning에서 이 오류가 표시됩니다.

해결 방법: 유효한 값을 사용하도록 지정된 인수를 수정합니다.

예외 메시지
인수가 숫자가 아닙니다.
"{arg_name}"이(가) 숫자가 아닙니다.

오류 0033

인수가 무한 값이면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 인수가 무한하면 발생합니다. 인수 중 하나 double.NegativeInfinity 또는 double.PositiveInfinity.인 경우 이 오류가 표시됩니다.

해결 방법: 지정된 인수를 유효한 값으로 수정합니다.

예외 메시지
인수는 유한해야 합니다.
"{arg_name}"은(는) 유한하지 않습니다.
열 "{column_name}"에는 무한 값이 포함됩니다.

오류 0034

지정된 사용자 항목 쌍에 대해 둘 이상의 등급이 있는 경우 예외가 발생합니다.

Azure Machine Learning의 이 오류는 사용자 항목 쌍에 둘 이상의 등급 값이 있는 경우 권장 사항에서 발생합니다.

해결 방법: 사용자 항목 쌍에 하나의 등급 값만 있는지 확인합니다.

예외 메시지
데이터 세트의 값에 대해 둘 이상의 등급이 있습니다.
등급 예측 데이터 테이블의 사용자 {user} 및 항목 {item}에 대해 둘 이상의 등급입니다.
{dataset}의 사용자 {user} 및 항목 {item}에 대한 등급이 두 개 이상입니다.

오류 0035

지정된 사용자나 항목에 대해 기능을 제공하지 않으면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 점수 매기기에 권장 사항 모델을 사용하려고 하지만 기능 벡터를 찾을 수 없는 경우에 발생합니다.

해결 방법:

Matchbox 추천에는 항목 기능 또는 사용자 기능을 사용할 때 충족해야 하는 특정 요구 사항이 있습니다. 이 오류는 입력으로 제공한 사용자 또는 항목에 대한 기능 벡터가 없음을 나타냅니다. 각 사용자 또는 항목에 대한 데이터에서 기능 벡터를 사용할 수 있는지 확인합니다.

예를 들어 사용자의 연령, 위치 또는 소득과 같은 기능을 사용하여 추천 모델을 학습했지만 학습 중에 표시되지 않은 새 사용자에 대한 점수를 만들려는 경우 적절한 예측을 수행하려면 새 사용자에게 동등한 기능 집합(즉, 연령, 위치 및 소득 값)을 제공해야 합니다.

이러한 사용자에 대한 기능이 없는 경우 기능 엔지니어링을 사용하여 적절한 기능을 생성하는 것이 좋습니다. 예를 들어 개별 사용자 연령 또는 소득 값이 없는 경우 사용자 그룹에 사용할 대략적인 값을 생성할 수 있습니다.

팁

귀하의 사례에 적용되지 않는 해결 방법 이 문서에 대한 사용자 의견을 언제든지 보내주시기 바라며 구성 요소 및 열의 행 수를 포함해 시나리오에 대한 정보를 제공해주시기 바랍니다. 이 정보를 사용하여 향후 보다 자세한 문제 해결 단계를 제공할 예정입니다.

예외 메시지
필요한 사용자 또는 항목에 대한 기능이 제공되지 않았습니다.
{required_feature_name}에 대한 기능이 필요하지만 제공되지 않았습니다.

오류 0036

지정된 사용자 또는 항목에 대해 여러 기능 벡터가 제공된 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 기능 벡터가 두 번 이상 정의된 경우에 발생합니다.

해결 방법: 기능 벡터가 두 번 이상 정의되지 않았는지 확인합니다.

예외 메시지
사용자 또는 항목에 대한 중복 기능 정의입니다.

오류 0037

여러 레이블 열이 지정되고 하나만 허용되는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 두 개 이상의 열을 새 레이블 열로 선택한 경우에 발생합니다. 대부분의 감독 학습 알고리즘은 단일 열을 대상 또는 레이블로 표시해야 합니다.

해결 방법: 단일 열을 새 레이블 열로 선택해야 합니다.

예외 메시지
여러 레이블 열이 지정됩니다.
"{dataset_name}"에 여러 레이블 열이 지정됩니다.

오류 0039

작업이 실패한 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 내부 작업을 완료할 수 없는 경우에 발생합니다.

해결 방법: 이 오류는 많은 조건으로 인해 발생하며 구체적인 해결 방법이 없습니다.
다음 표에는 이 오류에 대한 일반 메시지가 포함되어 있으며, 그 다음에는 조건에 대한 특정 설명이 있습니다.

사용 가능한 세부 정보가 없는 경우 피드백을 보내고 오류 및 관련 조건을 생성한 구성 요소에 대한 정보를 제공하기 위한 Microsoft Q&A 질문 페이지입니다.

예외 메시지
작업이 실패했습니다.
작업을 완료하는 동안 오류가 발생했습니다. "{failed_operation}".
작업을 완료하는 동안 오류가 발생했습니다. "{failed_operation}". 이유: "{reason}".

오류 0042

열을 다른 형식으로 변환할 수 없는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 열을 지정된 형식으로 변환할 수 없는 경우에 발생합니다. 구성 요소에 datetime, 텍스트, 부동 소수점 번호 또는 정수와 같은 특정 데이터 형식이 필요하지만 기존 열을 필수 형식으로 변환할 수 없는 경우 이 오류가 발생합니다.

예를 들어 열을 선택하고 수학 연산에 사용할 숫자 데이터 형식으로 변환하려고 할 수 있으며 열에 잘못된 데이터가 포함된 경우 이 오류가 발생할 수 있습니다.

부동 소수점 숫자 또는 여러 고유 값이 포함된 열을 범주 열로 사용하려고 하면 이 오류가 발생할 수 있습니다.

해결 방법:

• 오류가 발생한 구성 요소에 대한 도움말 페이지를 열어 데이터 형식 요구 사항을 확인합니다.
• 입력 데이터 세트에 있는 열의 데이터 형식을 검토합니다.
• 소위 스키마 없는 데이터 원본에서 시작된 데이터를 검사합니다.
• 데이터 세트에서 원하는 데이터 형식으로의 변환을 차단할 수 있는 특수 문자 또는 누락된 값이 있는지 확인합니다.
  • 숫자 데이터 형식은 일치해야 합니다. 예를 들어 정수 열에서 부동 소수점 숫자를 확인합니다.
  • 숫자 열에서 텍스트 문자열 또는 NA 값이 있는지 확인합니다.
  • 부울 값은 필요한 데이터 형식에 따라 적절한 표현으로 변환할 수 있습니다.
  • 텍스트 열에서 비유니코드 문자, 탭 문자 또는 컨트롤 문자 검사
  • 날짜/시간 데이터는 모델링 오류가 발생하지 않도록 일관성을 유지해야 하며, 다만 정리는 다양한 형식으로 인해 복잡해질 수 있습니다. Python 스크립트 실행 구성 요소를 사용하여 정리를 수행하는 것이 좋습니다.
• 필요한 경우 열을 성공적으로 변환할 수 있도록 입력 데이터 세트의 값을 수정합니다. 수정에는 범주화, 잘림 또는 반올림 작업, 이상값 제거 또는 누락된 값의 대체가 포함될 수 있습니다. 기계 학습의 몇 가지 일반적인 데이터 변환 시나리오는 다음 문서를 참조하세요.
  • 누락 데이터 정리
  • 데이터 정규화

팁

해결 방법이 불명확하거나 귀하의 사례에 적용할 수 없는 방법인가요? 이 문서에 대한 사용자 의견을 언제든지 보내주시기 바라며 구성 요소 및 열의 데이터 형식을 포함해 시나리오에 대한 정보를 제공해주시기 바랍니다. 이 정보를 사용하여 향후 보다 자세한 문제 해결 단계를 제공할 예정입니다.

예외 메시지
허용되지 않는 변환입니다.
{type1} 형식의 열을 {type2} 형식의 열로 변환할 수 없습니다.
{type1} 형식의 열 "{col_name1}"을(를) {type2} 형식의 열로 변환할 수 없습니다.
{type1} 형식의 열 "{col_name1}"을(를) {type2} 형식의 열 "{col_name2}"로 변환할 수 없습니다.

오류 0044

기존 값에서 열의 요소 형식을 파생할 수 없는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 데이터 세트의 열 형식을 유추할 수 없는 경우에 발생합니다. 이는 대체로 요소 형식이 서로 다른 두 개 이상의 데이터 세트를 연결할 때 발생합니다. Azure Machine Learning에서 정보 손실 없이 열 또는 열의 모든 값을 나타낼 수 있는 공통 형식을 확인할 수 없는 경우 이 오류가 발생합니다.

해결 방법: 결합되는 두 데이터 세트의 지정된 열에 있는 모든 값이 동일한 형식(숫자, 부울, 범주, 문자열, 날짜 등)이거나 동일한 형식으로 강제 변환될 수 있는지 확인합니다.

예외 메시지
열의 요소 형식을 파생할 수 없습니다.
열 "{column_name}"에 대한 요소 형식을 파생할 수 없습니다. 모든 요소는 null 참조입니다.
데이터 세트 "{dataset_name}"의 "{column_name}"열에 대한 요소 형식을 파생할 수 없습니다. 모든 요소가 null 참조입니다.

오류 0045

소스의 혼합 요소 형식으로 인해 열을 만들 수 없는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 결합되는 두 데이터 세트의 요소 형식이 서로 다른 경우에 생성됩니다.

해결 방법: 결합되는 두 데이터 세트의 지정된 열에 있는 모든 값이 동일한 형식(숫자, 부울, 범주, 문자열, 날짜 등)인지 확인합니다.

예외 메시지
혼합 요소 형식으로 열을 만들 수 없습니다.
혼합 요소 형식의 id "{column_id}"(으)로 열을 만들 수 없습니다. 데이터 형식[{row_1}, {column_id}]은 "{type_1}"입니다. 데이터 형식[{row_2}, {column_id}]은 "{type_2}"입니다.
혼합 요소 형식의 id "{column_id}"(으)로 열을 만들 수 없습니다. 청크 {chunk_id_1}의 형식은 "{type_1}"입니다. 청크 {chunk_id_2}의 형식은 청크 크기가 {chunk_size}인 "{type_2}"입니다.

오류 0046

지정된 경로에 디렉터리를 만들 수 없는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 지정된 경로에 디렉터리를 만들 수 없는 경우에 발생합니다. Hive 쿼리에 대한 출력 디렉터리에 대한 경로의 일부가 올바르지 않거나 액세스할 수 없는 경우 이 오류가 발생합니다.

해결 방법: 구성 요소를 다시 검토하고 디렉터리 경로의 형식이 올바르게 지정되어 있고 현재 자격 증명으로 액세스할 수 있는지 확인합니다.

예외 메시지
올바른 출력 디렉터리를 지정하세요.
디렉터리: {path}을(를) 만들 수 없습니다. 유효한 경로를 지정하세요.

오류 0047

구성 요소에 전달된 데이터 세트 중 일부의 기능 열 수가 너무 적으면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 학습에 대한 입력 데이터 세트에 알고리즘에 필요한 최소 열 수가 포함되지 않은 경우에 발생합니다. 일반적으로 데이터 세트가 비어 있거나 학습 열만 포함됩니다.

해결 방법: 입력 데이터 세트를 다시 검토하여 레이블 열 외에 하나 이상의 추가 열이 있는지 확인합니다.

예외 메시지
입력 데이터 세트의 기능 열 수가 허용되는 최소값보다 적습니다.
입력 데이터 세트의 기능 열 수가 허용되는 최소 열 수인 {required_columns_count}개보다 적습니다.
입력 데이터 세트 "{arg_name}"의 기능 열 수가 허용되는 최소 {required_columns_count} 열 수보다 적습니다.

오류 0048

파일을 열 수 없는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 읽기 또는 쓰기를 위해 파일을 열 수 없는 경우에 발생합니다. 다음과 같은 이유로 이 오류가 표시될 수 있습니다.

• 컨테이너 또는 파일(Blob)이 없습니다.

• 파일 또는 컨테이너의 액세스 수준에서는 파일에 액세스할 수 없습니다.

• 파일이 너무 커서 읽을 수 없거나 형식이 잘못되었습니다.

해결 방법: 읽으려는 구성 요소 및 파일을 다시 방문합니다.

컨테이너 및 파일의 이름이 올바른지 확인합니다.

Azure 클래식 포털 또는 Azure Storage 도구를 사용해 파일에 액세스할 수 있는 권한이 있는지 확인합니다.

예외 메시지
파일을 열 수 없습니다.
{file_name} 파일을 여는 동안 오류가 발생했습니다.
{file_name} 파일을 여는 동안 오류가 발생했습니다. 스토리지 예외 메시지: {exception}.

오류 0049

파일을 구문 분석할 수 없는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 파일을 구문 분석할 수 없는 경우에 발생합니다. 데이터 가져오기 구성 요소에서 선택한 파일 형식이 파일의 실제 형식과 일치하지 않거나 파일에 인식할 수 없는 문자가 포함된 경우 이 오류가 발생합니다.

해결 방법: 구성 요소를 다시 검토하고 파일 형식과 일치하지 않는 경우 파일 형식 선택을 수정합니다. 가능하면 파일을 검사하여 잘못된 문자가 포함되어 있지 않은지 확인합니다.

예외 메시지
파일을 구문 분석할 수 없습니다.
{file_format} 파일을 구문 분석하는 동안 오류가 발생했습니다.
{file_format} 파일 {file_name}을(를) 구문 분석하는 동안 오류가 발생 했습니다.
{file_format} 파일을 구문 분석하는 동안 오류가 발생했습니다. 이유: {failure_reason}.
{file_format} 파일 {file_name}을(를) 구문 분석하는 동안 오류가 발생 했습니다. 이유: {failure_reason}.

오류 0052

Azure Storage 계정 키를 잘못 지정하면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 Azure Storage 계정에 액세스하는 데 사용되는 키가 올바르지 않으면 발생합니다. 예를 들어 복사하여 붙여넣을 때 Azure Storage 키가 잘렸거나 잘못된 키가 사용된 경우 이 오류가 표시될 수 있습니다.

Azure Storage 계정의 키를 가져오는 방법에 대한 자세한 내용은 스토리지 액세스 키 보기, 복사 및 다시 생성을 참조 하세요.

해결 방법: 구성 요소를 다시 검토하여 계정에 대한 Azure Storage 키가 올바른지 확인합니다. 필요하다면 Azure 클래식 포털에서 키를 다시 복사합니다.

예외 메시지
Azure Storage 계정 키가 잘못되었습니다.

오류 0053

매치박스 권장 사항에 대한 사용자 기능이나 항목이 없는 경우 예외가 발생합니다.

Azure Machine Learning의 이 오류는 기능 벡터를 찾을 수 없을 때 생성됩니다.

해결 방법: 기능 벡터가 입력 데이터 세트에 있는지 확인합니다.

예외 메시지
사용자 기능 또는/및 항목은 필수이지만 제공되지 않습니다.

오류 0056

작업에 대해 선택한 열이 요구 사항을 위반하는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 열이 특정 데이터 형식이어야 하는 작업에 대한 열을 선택할 때 발생합니다.

열이 올바른 데이터 형식인 경우에도 이 오류가 발생할 수 있지만 사용 중인 구성 요소에 열이 기능, 레이블 또는 범주 열로 표시되어야 합니다.

해결 방법:

1. 현재 선택된 열의 데이터 형식을 검토합니다.

2. 선택한 열이 범주, 레이블 또는 기능 열에 해당되는지 여부를 확인합니다.

3. 열을 선택한 구성 요소에 대한 도움말 항목을 검토하여 데이터 형식 또는 열 사용에 대한 특정 요구 사항이 있는지 확인합니다.

4. 메타데이터 편집을 사용하여 이 작업 기간에 대한 열 형식을 변경합니다. 다운스트림 작업에 필요하다면 메타데이터 편집의 다른 인스턴스를 사용하여 열 형식을 원래 값으로 다시 변경하세요.

예외 메시지
하나 이상의 선택한 열이 허용된 범주에 속하지 않았습니다.
이름이 "{col_name}"인 열은 허용되는 범주에 속하지 않습니다.

오류 0057

이미 존재하는 파일 또는 Blob을 만들려고 할 때 예외가 발생합니다.

이 예외는 데이터 내보내기 구성 요소 또는 다른 구성 요소를 사용하여 Azure Machine Learning의 파이프라인 결과를 Azure Blob Storage에 저장하지만 이미 존재하는 파일 또는 Blob을 만들려고 할 때 발생합니다.

해결 방법:

이전에 Azure Blob Storage 쓰기 모드 속성을 Error로 설정한 경우에만 이 오류가 표시됩니다. 기본적으로 이미 존재하는 Blob에 데이터 세트를 쓰려고 하면 이 구성 요소에서 오류가 발생합니다.

• 구성 요소 속성을 열고 Azure Blob Storage 쓰기 모드 속성을 덮어쓰기로 변경합니다.
• 또는 다른 대상 Blob 또는 파일의 이름을 입력하고 아직 존재하지 않는 Blob을 지정해야 합니다.

예외 메시지
파일 또는 Blob가 이미 있습니다.
파일 또는 Blob "{file_path}"이(가) 이미 있습니다.

오류 0058

Azure Machine Learning에서 이 오류는 데이터 세트에 예상된 레이블 열이 없는 경우에 발생합니다.

제공된 레이블 열이 학습자가 예상한 데이터 또는 데이터 형식과 일치하지 않거나 잘못된 값이 있는 경우에도 이 예외가 발생할 수 있습니다. 예를 들어 이 예외는 이진 분류자를 학습할 때 실제 값 레이블 열을 사용할 때 생성됩니다.

해결 방법: 해결 방법은 사용 중인 학습자 또는 트레이너와 데이터 세트에 있는 열의 데이터 형식에 따라 달라집니다. 먼저 기계 학습 알고리즘 또는 학습 구성 요소의 요구 사항을 확인합니다.

입력 데이터 세트를 다시 방문합니다. 레이블로 처리될 것으로 예상되는 열에 만드는 모델에 적합한 데이터 형식이 있는지 확인합니다.

누락된 값에 대한 입력을 확인하고 필요하다면 이를 제거하거나 바꿉니다.

필요하다면 메타데이터 편집 구성 요소를 추가하고 레이블 열이 레이블로 표시되어 있는지 확인합니다.

예외 메시지
레이블 열 값과 채점된 레이블 열 값은 비교할 수 없습니다.
레이블 열이 "{dataset_name}"에서 예상한 대로 되지 않습니다.
"{dataset_name}", {reason}에서 레이블 열이 예상대로 되지 않습니다.
레이블 열 "{column_name}"이(가) "{dataset_name}"에 예상되지 않습니다.
"{dataset_name}", {reason}에서 "{column_name}" 레이블 열은 필요한 열이 아닙니다.

오류 0059

열 선택기에서 지정된 열 인덱스를 구문 분석할 수 없는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 열 선택기를 사용할 때 지정된 열 인덱스를 구문 분석할 수 없는 경우에 발생합니다. 열 인덱스가 구문 분석할 수 없는 잘못된 형식인 경우 이 오류가 표시됩니다.

해결 방법: 유효한 인덱스 값을 사용하도록 열 인덱스 수정

예외 메시지
하나 이상의 지정된 열 인덱스 또는 인덱스 범위를 구문 분석할 수 없습니다.
열 인덱스 또는 범위 "{column_index_or_range}"을(를) 구문 분석할 수 없습니다.

오류 0060

열 선택기에서 범위를 벗어난 열 범위를 지정하면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 열 선택기에서 범위를 벗어난 열 범위를 지정할 때 발생합니다. 열 선택기의 열 범위가 데이터 세트의 열과 일치하지 않으면 이 오류가 발생합니다.

해결 방법: 데이터 세트의 열에 해당하도록 열 선택기의 열 범위를 수정합니다.

예외 메시지
지정한 열 인덱스 범위가 잘못되었거나 범위를 벗어났습니다.
열 범위 "{column_range}"(이)가 잘못되었거나 범위를 벗어났습니다.

오류 0061

테이블과 열 수가 다른 DataTable에 행을 추가하려고 하면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 데이터 세트와 열 수가 다른 데이터 세트에 행을 추가하려고 할 때 발생합니다. 데이터 세트에 추가되는 행에 입력 데이터 세트와 다른 수의 열이 있는 경우 이 오류가 발생합니다. 열 수가 다른 경우 데이터 세트에 행을 추가할 수 없습니다.

해결 방법: 추가된 행과 동일한 수의 열을 갖도록 입력 데이터 세트를 수정하거나 데이터 세트와 동일한 수의 열을 갖도록 추가된 행을 수정합니다.

예외 메시지
모든 테이블의 열 수는 같아야 합니다.
청크 "{chunk_id_1}"의 열이 청크 크기가 {chunk_size}인 청크 "{chunk_id_2}"와(과) 다릅니다.
파일 "{filename_1}"(count={column_count_1})의 열 수는 파일 "{filename_2}"(count={column_count_2})과 다릅니다.

오류 0062

서로 다른 학습자 유형으로 두 모델을 비교하려고 하면 예외가 발생합니다.

Azure Machine Learning의 이 오류는 점수가 매기된 두 데이터 세트에 대한 평가 메트릭을 비교할 수 없는 경우에 생성됩니다. 이 경우 점수가 매김된 두 데이터 세트를 생성하는 데 사용되는 모델의 효과를 비교할 수 없습니다.

해결 방법: 점수가 매겨진 결과가 동일한 종류의 기계 학습 모델(이진 분류, 회귀, 다중 클래스 분류, 권장 사항, 클러스터링, 변칙 검색 등)에 의해 생성되는지 확인합니다. 비교하는 모든 모델에는 동일한 학습자 유형이 있어야 합니다.

예외 메시지
모든 모델에는 동일한 학습자 유형이 있어야 합니다.
호환되지 않는 학습자 유형 "{actual_learner_type}"을(를) 받았습니다. 필요한 학습자 유형은 "{expected_learner_type_list}"입니다.

오류 0064

Azure Storage 계정 이름 또는 스토리지 키를 잘못 지정하면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 Azure Storage 계정 이름 또는 스토리지 키가 잘못 지정된 경우에 발생합니다. 스토리지 계정의 잘못된 계정 이름 또는 암호를 입력하면 이 오류가 발생합니다. 이 문제는 계정 이름 또는 암호를 수동으로 입력하는 경우에 발생할 수 있습니다. 이 오류는 계정이 삭제된 경우에도 발생할 수 있습니다.

해결 방법: 계정 이름과 암호가 올바르게 입력되었는지, 계정이 있는지 확인합니다.

예외 메시지
Azure Storage 계정 이름 또는 스토리지 키가 잘못되었습니다.
Azure Storage 계정 이름 "{account_name}" 또는 계정 이름의 스토리지 키가 잘못되었습니다.

오류 0065

Azure Blob 이름을 잘못 지정하면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 Azure Blob 이름이 잘못 지정된 경우에 발생합니다. 다음과 같은 경우 오류가 표시됩니다.

• 지정된 컨테이너에서 Blob을 찾을 수 없습니다.

• 형식이 인코딩이 있는 Excel 또는 CSV인 경우 데이터 가져오기 요청에서 컨테이너만 원본으로 지정되었습니다. 컨테이너 내의 모든 Blob 내용의 연결은 이러한 형식으로 허용되지 않습니다.

• SAS URI에는 유효한 Blob의 이름이 포함되어 있지 않습니다.

해결 방법: 예외를 throw하는 구성 요소를 다시 검토합니다. 지정된 Blob이 스토리지 계정의 컨테이너에 있는지와 사용 권한을 통해 Blob을 볼 수 있는지 확인합니다. 인코딩 형식이 있는 Excel 또는 CSV가 있는 경우 입력이 컨테이너 이름/파일 이름 형식인지 확인합니다. SAS URI에 유효한 Blob의 이름이 포함되어 있는지 확인합니다.

예외 메시지
Azure Storage Blob 이름이 잘못되었습니다.
Azure Storage Blob 이름 "{blob_name}"이(가) 잘못되었습니다.
"{blob_name_prefix}" 접두사를 가진 Azure Storage Blob 이름이 없습니다.
컨테이너 "{container_name}"에서 Azure Storage Blob을 찾을 수 없습니다.
와일드카드 경로가 "{blob_wildcard_path}"인 Azure Storage Blob을 찾지 못했습니다.

오류 0066

리소스를 Azure Blob에 업로드할 수 없는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 리소스를 Azure Blob에 업로드할 수 없는 경우에 발생합니다. 둘 다 입력 파일을 포함하는 계정과 동일한 Azure Storage 계정에 저장됩니다.

해결 방법: 구성 요소를 다시 확인합니다. Azure 계정 이름, 스토리지 키 및 컨테이너가 올바르고 계정에 컨테이너에 쓸 수 있는 권한이 있는지 확인합니다.

예외 메시지
리소스를 Azure Storage에 업로드할 수 없습니다.
"{source_path}" 파일을 Azure Storage에 "{dest_path}"로 업로드할 수 없습니다.

오류 0067

데이터 세트의 열 수가 예상과 다른 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 데이터 세트에 예상과 다른 수의 열이 있는 경우에 발생합니다. 데이터 세트의 열 수가 실행 중에 구성 요소에서 예상하는 열 수와 다른 경우 이 오류가 발생합니다.

해결 방법: 입력 데이터 세트 또는 매개 변수를 수정합니다.

예외 메시지
데이터 테이블의 열 수가 필요한 수와 다릅니다.
데이터 세트 "{dataset_name}"의 예기치 않은 열 수입니다.
"{expected_column_count}" 열이 필요하지만 대신 "{actual_column_count}" 열을 찾았습니다.
입력 데이터 세트 "{dataset_name}"에서 "{expected_column_count}"개의 열이 필요하지만 실제로는 "{actual_column_count}"개의 열을 찾았습니다.

오류 0068

지정된 Hive 스크립트가 올바르지 않으면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 Hive QL 스크립트에 구문 오류가 있거나 쿼리 또는 스크립트를 실행하는 동안 Hive 인터프리터에서 오류가 발생하는 경우에 발생합니다.

해결 방법:

특정 오류에 따라 작업을 수행할 수 있도록 Hive의 오류 메시지는 대체로 오류 로그에 다시 보고됩니다.

• 구성 요소를 열고 쿼리를 검사하여 오류가 있는지 확인합니다.
• Hadoop 클러스터의 Hive 콘솔에 로그인하고 쿼리를 실행하여 Azure Machine Learning 외부에서 쿼리가 올바르게 작동하는지 확인합니다.
• 실행 문과 주석을 한 줄로 혼합하는 대신 Hive 스크립트에 주석을 별도의 줄에 배치해 보세요.

리소스

기계 학습에 대한 Hive 쿼리에 대한 도움말은 다음 문서를 참조하세요.

• Azure Blob Storage에서 Hive 테이블 만들기 및 데이터 로드
• Hive 쿼리를 사용하여 테이블의 데이터 탐색
• Hive 쿼리를 사용하여 Hadoop 클러스터의 데이터에 대한 기능 만들기
• SQL 사용자용 Hive 치트 시트(PDF)

예외 메시지
Hive 스크립트가 잘못되었습니다.

오류 0069

지정된 SQL 스크립트가 올바르지 않으면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 지정된 SQL 스크립트에 구문 문제가 있거나 스크립트에 지정된 열 또는 테이블이 유효하지 않은 경우에 발생합니다.

쿼리 또는 스크립트를 실행하는 동안 SQL 엔진에 오류가 발생하면 이 오류가 발생합니다. SQL 오류 메시지는 일반적으로 오류 로그에 다시 보고되므로 특정 오류에 따라 작업을 수행할 수 있습니다.

해결 방법: 구성 요소를 다시 확인하고 SQL 쿼리에 실수가 있는지 조사합니다.

데이터베이스 서버에 직접 로그인하고 쿼리를 실행하여 쿼리가 Azure Machine Learning 외부에서 올바르게 작동하는지 확인합니다.

구성 요소 예외에 의해 보고된 SQL 생성 메시지가 있는 경우 보고된 오류에 따라 작업을 수행합니다. 예를 들어 오류 메시지에는 발생 가능한 오류에 대한 특정 지침이 때때로 포함됩니다.

• 열 이름을 잘못 입력했을 수 있음을 나타내는 이러한 열 또는 누락된 데이터베이스가 없습니다. 열 이름이 올바르다고 확신하는 경우 대괄호 또는 따옴표를 사용하여 열 식별자를 묶어 보세요.
• 지정된 키워드 앞에 구문 오류가 있을 수 있음을 나타내는 SQL 키워드> 근처의 <SQL 논리 오류

예외 메시지
SQL 스크립트가 잘못되었습니다.
SQL 쿼리 "{sql_query}"이(가) 올바르지 않습니다.
SQL 쿼리 "{sql_query}"이(가) 올바르지 않습니다. 예외 메시지: {exception}.

오류 0070

존재하지 않는 Azure 테이블에 액세스하려고 할 때 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 존재하지 않는 Azure 테이블에 액세스하려고 할 때 발생합니다. Azure Storage에서 읽거나 Azure Table Storage에 쓸 때 존재하지 않는 테이블을 Azure Storage에 지정하면 이 오류가 발생합니다. 이 문제는 원하는 테이블의 이름을 잘못 입력하거나 대상 이름과 스토리지 형식이 일치하지 않는 경우에 발생할 수 있습니다. 예를 들어 테이블에서 읽기를 수행하려고 하지만 실제로는 Blob의 이름을 입력했습니다.

해결 방법: 구성 요소를 다시 검토하여 테이블 이름이 올바른지 확인합니다.

예외 메시지
Azure 테이블이 없습니다.
Azure 테이블 "{table_name}"이(가) 없습니다.

오류 0072

연결 시간 제한의 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 연결 시간이 초과되면 발생합니다. 현재 데이터 원본 또는 대상에 대한 연결 문제(예: 느린 인터넷 연결)가 있거나 데이터 세트가 크거나 데이터에서 읽을 SQL 쿼리가 복잡한 처리를 수행하는 경우 이 오류가 발생합니다.

해결 방법: 현재 Azure Storage 또는 인터넷에 대한 느린 연결에 문제가 있는지 확인합니다.

예외 메시지
연결 시간 제한이 발생했습니다.

오류 0073

열을 다른 형식으로 변환하는 동안 오류가 발생하면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 열을 다른 형식으로 변환할 수 없는 경우에 발생합니다. 구성 요소에 특정 형식이 필요하고 열을 새 형식으로 변환할 수 없는 경우 이 오류가 발생합니다.

해결 방법: 내부 예외에 따라 열을 변환할 수 있도록 입력 데이터 세트를 수정합니다.

예외 메시지
열을 변환하지 못했습니다.
열을 {target_type}으로 변환하지 못했습니다.

오류 0075

데이터 세트를 정량화할 때 잘못된 범주화 함수를 사용할 때 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 지원되지 않는 메서드를 사용하여 데이터를 bin하려고 하거나 매개 변수 조합이 잘못된 경우에 발생합니다.

해결 방법:

이 이벤트에 대한 오류 처리는 범주화 방법의 더 많은 사용자 지정이 허용된 이전 버전의 Azure Machine Learning에서 도입되었습니다. 현재 모든 범주화 메서드는 드롭다운 목록의 선택 항목을 기반으로 하므로 기술적으로 이 오류를 더 이상 가져올 수 없습니다.

예외 메시지
잘못된 범주화 함수가 사용되었습니다.

오류 0077

알 수 없는 Blob 파일 쓰기 모드가 전달되면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 Blob 파일 대상 또는 원본에 대한 사양에 잘못된 인수가 전달된 경우에 발생합니다.

해결 방법: Azure Blob Storage 간에 데이터를 가져오거나 내보내는 거의 모든 구성 요소에서 쓰기 모드를 제어하는 매개 변수 값은 드롭다운 목록을 사용하여 할당되므로 잘못된 값을 전달할 수 없으므로 이 오류가 나타나지 않아야 합니다. 이 오류는 이후 릴리스에서 더 이상 사용되지 않습니다.

예외 메시지
지원되지 않는 Blob 쓰기 모드입니다.
지원되지 않는 Blob 쓰기 모드: {blob_write_mode}.

오류 0078

데이터 가져오기에 대한 HTTP 옵션이 리디렉션을 나타내는 3xx 상태 코드를 받으면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 데이터 가져오기에 대한 HTTP 옵션이 리디렉션을 나타내는 3xx(301, 302, 304 등) 상태 코드를 수신할 때 발생합니다. 브라우저를 다른 페이지로 리디렉션하는 HTTP 원본에 연결하려고 하면 이 오류가 표시됩니다. 보안상의 이유로 웹 사이트 리디렉션은 Azure Machine Learning의 데이터 원본으로 허용되지 않습니다.

해결 방법: 웹 사이트가 신뢰할 수 있는 웹 사이트인 경우 리디렉션된 URL을 직접 입력합니다.

예외 메시지
HTTP 리디렉션이 허용되지 않습니다.

오류 0079

Azure Storage 컨테이너 이름을 잘못 지정하면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 Azure Storage 컨테이너 이름이 잘못 지정된 경우에 발생합니다. Azure Blob Storage에 쓸 때 컨테이너 옵션으로 시작하는 Blob 경로 옵션을 사용하여 컨테이너 와 Blob(파일) 이름을 모두 지정하지 않은 경우 이 오류가 발생합니다.

해결 방법: 데이터 내보내기 구성 요소를 다시 검토하여 Blob에 대해 지정된 경로가 컨테이너/파일 이름 형식으로 된 컨테이너와 파일 이름을 모두 포함하는지 확인합니다.

예외 메시지
Azure Storage 컨테이너 이름이 잘못되었습니다.
Azure Storage 컨테이너 이름 "{container_name}"이(가) 잘못되었습니다. 컨테이너/Blob 형식의 컨테이너 이름이 필요합니다.

오류 0080

모든 값이 누락된 열이 구성 요소에서 허용되지 않는 경우 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 구성 요소에서 사용되는 하나 이상의 열에 누락된 값이 모두 포함되어 있을 때 발생합니다. 예를 들어 구성 요소가 각 열에 대한 집계 통계를 계산하는 경우 데이터가 없는 열에서 작동할 수 없습니다. 이러한 경우, 이 예외를 발생하면서 구성 요소 실행이 중단됩니다.

해결 방법: 입력 데이터 세트를 다시 검토하고 누락된 값이 모두 포함된 열을 제거합니다.

예외 메시지
모든 값이 누락된 열은 허용되지 않습니다.
{col_index_or_name} 열에 모든 값이 누락되었습니다.

오류 0081

줄이려는 차원 수가 스파스 기능 열을 하나 이상 포함하는 입력 데이터 세트의 기능 열 수와 같으면 PCA 구성 요소에서 예외가 발생합니다.

다음 조건이 충족되는 경우 Azure Machine Learning에서 이 오류가 발생합니다. (a) 입력 데이터 세트에 하나 이상의 스파스 열이 있고 (b) 요청된 차원의 최종 개수가 입력 차원의 수와 동일한 경우.

해결 방법: 출력의 차원 수를 입력의 차원 수보다 작게 줄이는 것이 좋습니다. PCA 애플리케이션에서 일반적입니다.

예외 메시지
스파스 기능 열이 포함된 데이터 세트의 경우 축소할 차원 수는 기능 열 수보다 적어야 합니다.

오류 0082

모델을 역직렬화할 수 없는 경우 예외가 발생합니다.

Azure Machine Learning의 이 오류는 호환성이 손상되는 변경으로 인해 저장된 기계 학습 모델 또는 변환을 최신 버전의 Azure Machine Learning 런타임에서 로드할 수 없는 경우에 발생합니다.

해결 방법: 모델 또는 변환을 생성한 학습 파이프라인을 다시 실행해야 하며 모델 또는 변환을 다시 저장해야 합니다.

예외 메시지
이전 serialization 형식으로 직렬화될 가능성이 있으므로 모델을 역직렬화할 수 없습니다. 모델을 재학습시킨 뒤 다시 저장합니다.

오류 0083

학습에 사용되는 데이터 세트를 구체적인 유형의 학습자에 사용할 수 없는 경우 예외가 발생합니다.

Azure Machine Learning의 이 오류는 데이터 세트가 학습 중인 학습자와 호환되지 않는 경우에 생성됩니다. 예를 들어 데이터 세트는 각 행에 하나 이상의 누락된 값을 포함할 수 있으므로 학습 중에 전체 데이터 세트를 건너뜁니다. 경우에 따라 변칙 검색과 같은 일부 기계 학습 알고리즘은 레이블이 있을 것으로 예상하지 않으며 데이터 세트에 레이블이 있는 경우 이 예외를 throw할 수 있습니다.

해결 방법: 입력 데이터 세트에 대한 요구 사항을 확인하는 데 사용되는 학습자의 설명서를 참조하세요. 열을 검사하여 필요한 모든 열이 있는지 확인합니다.

예외 메시지
학습에 사용되는 데이터 세트가 잘못되었습니다.
{data_name}에 잘못된 학습용 데이터가 포함되어 있습니다.
{data_name}에 잘못된 학습용 데이터가 포함되어 있습니다. 학습자 유형: {learner_type}.
{data_name}에 잘못된 학습용 데이터가 포함되어 있습니다. 학습자 유형: {learner_type}. 이유: {reason}.
학습 데이터 {data_name}에 "{action_name}" 작업을 적용하지 못했습니다. 이유: {reason}.

오류 0084

R 스크립트에서 생성된 점수가 평가될 때 예외가 발생합니다. 현재 지원되지 않습니다.

Azure Machine Learning에서 이 오류는 점수를 포함하는 R 스크립트의 출력을 사용하여 모델을 평가하기 위해 구성 요소 중 하나를 사용하려고 할 때 발생합니다.

해결 방법:

예외 메시지
사용자 지정 모델에서 생성된 점수 평가는 현재 지원되지 않습니다.

오류 0085

오류와 함께 스크립트 평가가 실패하면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 구문 오류가 포함된 사용자 지정 스크립트를 실행할 때 발생합니다.

해결 방법: 외부 편집기에서 코드를 검토하고 오류를 확인합니다.

예외 메시지
스크립트 평가 중에 오류가 발생했습니다.
스크립트를 평가하는 동안 다음 오류가 발생했습니다. 자세한 내용은 출력 로그를 참조하세요. ---------- {script_language} 인터프리터 ---------- 오류 메시지 시작 {message} ---------- {script_language} 인터프리터에서 오류 메시지 종료 ----------

오류 0090

Hive 테이블을 만들지 못하면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 데이터 내보내기 또는 다른 옵션을 사용하여 HDInsight 클러스터에 데이터를 저장하고 지정된 Hive 테이블을 만들 수 없는 경우에 발생합니다.

해결 방법: 클러스터와 연결된 Azure Storage 계정 이름을 확인하고 구성 요소 속성에서 동일한 계정을 사용하고 있는지 확인합니다.

예외 메시지
Hive 테이블을 만들 수 없습니다. HDInsight 클러스터의 경우, 클러스터와 연결된 Azure Storage 계정 이름이 구성 요소 매개 변수를 통해 전달되는 것과 동일한지 확인하세요.
Hive 테이블 "{table_name}"을(를) 만들 수 없습니다. HDInsight 클러스터의 경우, 클러스터와 연결된 Azure Storage 계정 이름이 구성 요소 매개 변수를 통해 전달되는 것과 동일한지 확인하세요.
Hive 테이블 "{table_name}"을(를) 만들 수 없습니다. HDInsight 클러스터의 경우 클러스터와 연결된 Azure Storage 계정 이름이 "{cluster_name}"인지 확인합니다.

오류 0102

ZIP 파일을 추출할 수 없을 때 throw됩니다.

Azure Machine Learning에서 이 오류는 .zip 확장명의 압축된 패키지를 가져올 때 발생하지만 패키지가 zip 파일이 아니거나 파일이 지원되는 zip 형식을 사용하지 않는 경우에 발생합니다.

해결 방법: 선택한 파일이 유효한 .zip 파일이며 지원되는 압축 알고리즘 중 하나를 사용하여 압축되었는지 확인합니다.

압축된 형식으로 데이터 세트를 가져올 때 이 오류가 발생하는 경우 포함된 모든 파일이 지원되는 파일 형식 중 하나를 사용하고 유니코드 형식인지 확인합니다.

원하는 파일을 압축된 새 zip 폴더로 읽어보고 사용자 지정 구성 요소를 다시 추가해 보세요.

예외 메시지
지정한 ZIP 파일이 올바른 형식이 아닙니다.

오류 0105

이 오류는 구성 요소 정의 파일에 지원되지 않는 매개 변수 형식이 포함되어 있을 때 표시됩니다.

Azure Machine Learning에서 이 오류는 사용자 지정 구성 요소 xml 정의를 만들 때 생성되며 정의의 매개 변수 또는 인수 형식이 지원되는 형식과 일치하지 않습니다.

해결 방법: 사용자 지정 구성 요소 xml 정의 파일에서 Arg 요소의 형식 속성이 지원되는 형식에 속하는지 확인합니다.

예외 메시지
지원되지 않는 매개 변수 형식입니다.
지원되지 않는 '{0}' 매개 변수 유형을 지정했습니다.

오류 0107

구성 요소 정의 파일이 지원되지 않는 출력 형식을 정의할 때 throw됩니다.

Azure Machine Learning의 이 오류는 사용자 지정 구성 요소 xml 정의의 출력 포트 형식이 지원되는 형식과 일치하지 않을 때 생성됩니다.

해결 방법: 사용자 지정 구성 요소 xml 정의 파일에서 출력 요소의 형식 속성이 지원되는 형식에 속하는지 확인합니다.

예외 메시지
지원되지 않는 출력 형식입니다.
지원되지 않는 출력 형식 '{output_type}'이(가) 지정되었습니다.

오류 0125

여러 데이터 세트에 대한 스키마가 일치하지 않을 때 throw됩니다.

해결 방법:

예외 메시지
데이터 세트 스키마가 일치하지 않습니다.

오류 0127

이미지 픽셀 크기가 허용된 제한을 초과합니다.

이 오류는 분류를 위해 이미지 데이터 세트에서 이미지를 읽는 중이고 이미지가 모델이 처리할 수 있는 것보다 큰 경우에 발생합니다.

예외 메시지
이미지 픽셀 크기가 허용된 제한을 초과합니다.
'{file_path}' 파일의 이미지 픽셀 크기가 허용되는 제한을 초과합니다. '{size_limit}'.

오류 0128

범주 열에 대한 조건부 확률 수가 제한을 초과합니다.

해결 방법:

예외 메시지
범주 열에 대한 조건부 확률 수가 제한을 초과합니다.
범주 열에 대한 조건부 확률 수가 제한을 초과합니다. '{column_name_or_index_1}' 및 '{column_name_or_index_2}' 열은 문제가 되는 쌍입니다.

오류 0129

데이터 세트의 열 수가 허용된 제한을 초과합니다.

해결 방법:

예외 메시지
데이터 세트의 열 수가 허용된 제한을 초과합니다.
'{dataset_name}'의 데이터 세트에 있는 열 수가 허용을 초과합니다.
'{dataset_name}'의 데이터 세트에 있는 열 수가 허용된 '{component_name}' 제한을 초과합니다.
'{dataset_name}'의 데이터 세트에 있는 열 수가 허용되는 '{limit_columns_count}' 제한을 '{component_name}'으로 초과합니다.

오류 0134

레이블 열이 없거나 레이블이 지정된 행 수가 부족한 경우 예외가 발생합니다.

이 오류는 구성 요소에 레이블 열이 필요하지만 열 선택 영역에 레이블 열을 포함하지 않았거나 레이블 열에 너무 많은 값이 누락된 경우에 발생합니다.

이 오류는 이전 작업에서 다운스트림 작업에 행이 부족하도록 데이터 세트를 변경하는 경우에도 발생할 수 있습니다. 예를 들어 파티션 및 샘플 구성 요소에서 하나의 식을 사용하여 데이터 세트를 값으로 나누는 경우를 가정합니다. 식에 일치하는 항목이 없으면 파티션에서 생성된 데이터 세트 중 하나가 비어 있습니다.

해결 방법:

열 선택 영역에 하나의 레이블 열이 포함되어 있지만 이 열을 인식할 수 없는 경우, 메타데이터 편집 구성 요소를 사용하여 이 열을 레이블 열로 표시합니다.

그런 다음, 누락된 데이터 정리 구성 요소를 사용하여 레이블 열에 누락된 값이 있는 행을 제거할 수 있습니다.

입력 데이터 세트를 확인하여 유효한 데이터와 작업의 요구 사항을 충족하기에 충분한 행이 포함되어 있는지 확인합니다. 대부분의 알고리즘은 데이터의 최소 개수 행이 필요한 경우 오류 메시지를 생성하지만 데이터에는 몇 개의 행만 포함하거나 헤더만 포함됩니다.

예외 메시지
레이블 열이 없거나 레이블이 지정된 행 수가 부족한 경우 예외가 발생합니다.
레이블 열이 없거나 {required_rows_count} 레이블이 지정된 행보다 작은 경우 예외가 발생합니다.
데이터 세트 {dataset_name}의 레이블 열이 없거나 {required_rows_count} 레이블이 지정된 행보다 작은 경우 예외가 발생합니다.

오류 0138

메모리가 부족하여 구성 요소 실행을 완료할 수 없습니다. 데이터 세트를 다운샘플링하면 문제를 완화하는 데 도움이 될 수 있습니다.

이 오류는 Azure 컨테이너에서 사용할 수 있는 것보다 더 많은 메모리가 실행 중인 구성 요소에 필요할 때 발생합니다. 이 문제는 큰 데이터 세트로 작업하는 동안 현재 작업이 메모리에 맞지 않는 경우에 발생할 수 있습니다.

해결 방법: 큰 데이터 세트를 읽으려고 하는데 작업을 완료할 수 없는 경우 데이터 세트를 다운샘플링하는 것이 도움이 될 수 있습니다.

예외 메시지
메모리가 부족하여 구성 요소 실행을 완료할 수 없습니다.
메모리가 부족하여 구성 요소 실행을 완료할 수 없습니다. 세부 정보: {details}

오류 0141

선택한 숫자 열의 수와 범주 및 문자열 열의 고유 값이 너무 작으면 예외가 발생합니다.

Azure Machine Learning에서 이 오류는 선택한 열에 작업을 수행할 수 있는 고유 값이 충분하지 않은 경우에 발생합니다.

해결 방법: 일부 작업은 기능 및 범주 열에 대해 통계 작업을 수행하며 값이 충분하지 않으면 작업이 실패하거나 잘못된 결과를 반환할 수 있습니다. 데이터 세트를 확인하여 기능 및 레이블 열에 있는 값의 수를 확인하고 수행하려는 작업이 통계적으로 유효한지 확인합니다.

원본 데이터 세트가 유효한 경우 일부 업스트림 데이터 조작 또는 메타데이터 작업이 데이터를 변경하고 일부 값을 제거했는지도 확인할 수 있습니다.

업스트림 작업에 분할, 샘플링 또는 다시 샘플링이 포함된 경우 출력에 예상 행 수와 값이 포함되어 있는지 확인합니다.

예외 메시지
범주 및 문자열 열에서 선택한 숫자 열의 수와 고유 값이 너무 작습니다.
선택한 숫자 열의 총 수와 범주 및 문자열 열(현재 {actual_num})의 고유 값은 적어도 {lower_boundary}이어야 합니다.

오류 0154

사용자가 호환되지 않는 열 형식의 키 열에 데이터를 조인하려고 할 때 예외가 발생합니다.

예외 메시지
키 열 요소 형식은 호환되지 않습니다.
키 열 요소 형식은 호환되지 않습니다. (왼쪽: {keys_left}; 오른쪽: {keys_right})

오류 0155

데이터 세트의 열 이름이 문자열이 아닌 경우 예외가 발생합니다.

예외 메시지
데이터 프레임 열 이름은 문자열 형식이어야 합니다. 열 이름은 문자열이 아닙니다.
데이터 프레임 열 이름은 문자열 형식이어야 합니다. 열 이름 {column_names}은(는) 문자열이 아닙니다.

오류 0156

Azure SQL Database에서 데이터를 읽지 못할 때 예외가 발생합니다.

예외 메시지
Azure SQL Database에서 데이터를 읽지 못했습니다.
Azure SQL Database에서 데이터를 읽지 못했습니다. {detailed_message} DB: {database_server_name}:{database_name} 쿼리: {sql_statement}

오류 0157

데이터 저장소를 찾을 수 없습니다.

예외 메시지
데이터 저장소 정보가 잘못되었습니다.
데이터 저장소 정보가 잘못되었습니다. 작업 영역 '{workspace_name}'에서 Azure Machine Learning 데이터 저장소 '{datastore_name}'을(를) 얻지 못했습니다.

오류 0158

변환 디렉터리가 잘못되었을 때 throw됩니다.

예외 메시지
지정된 TransformationDirectory가 잘못되었습니다.
TransformationDirectory "{arg_name}"이(가) 잘못되었습니다. 이유: {reason}. 변환 파일을 생성하는 학습 실험을 다시 실행합니다. 학습 실험이 삭제된 경우 변환 파일을 다시 만들고 저장하세요.
TransformationDirectory "{arg_name}"이(가) 잘못되었습니다. 이유: {reason}. {troubleshoot_hint}

오류 0159

구성 요소 모델 디렉터리가 올바르지 않으면 예외가 발생합니다.

예외 메시지
지정된 ModelDirectory가 잘못되었습니다.
ModelDirectory "{arg_name}"이(가) 잘못되었습니다.
ModelDirectory "{arg_name}"이(가) 잘못되었습니다. 이유: {reason}.
ModelDirectory "{arg_name}"이(가) 잘못되었습니다. 이유: {reason}. {troubleshoot_hint}

오류 1000

내부 라이브러리 예외입니다.

이 오류는 처리되지 않은 내부 엔진 오류를 캡처하기 위해 제공됩니다. 따라서 오류를 생성한 구성 요소에 따라 이 오류의 원인이 달라질 수 있습니다.

더 많은 도움을 받으려면 입력으로 사용되는 데이터를 포함하여 시나리오에 대한 설명과 함께 오류 와 함께 자세한 메시지를 Azure Machine Learning 포럼에 게시하는 것이 좋습니다. 이 피드백은 오류의 우선 순위를 지정하고 추가 작업을 위해 가장 중요한 문제를 식별하는 데 도움이 됩니다.

예외 메시지
라이브러리 예외입니다.
라이브러리 예외: {exception}.
알 수 없는 라이브러리 예외: {exception}. {customer_support_guidance}.

문제 해결 가이드

Python 스크립트 구성 요소 실행 오류

Python 스크립트 실행 구성 요소 70_driver_logs의 in azureml_main을 검색하여 오류가 발생한 줄을 찾을 수 있습니다. 예를 들어 “File “/tmp/tmp01_ID/user_script.py”, line 17, in azureml_main”은 Python 스크립트의 17번째 줄에서 오류가 발생했음을 나타냅니다.

분산 학습

현재 디자이너는 분산 학습 및 PyTorch 모델 학습 구성 요소를 지원합니다.

70_driver 로그 없이 구성 요소 사용 분산 학습이 실패하면 70_mpi_log에서 오류 세부 정보를 확인할 수 있습니다.

다음 예제에서는 실행 설정의 노드 수가 컴퓨팅 클러스터의 사용 가능한 노드 수보다 큰 것을 보여줍니다.

다음 예제에서는 노드당 프로세스 수가 컴퓨팅의 처리 단위보다 크다는 것을 보여줍니다.

그렇지 않으면 각 프로세스를 확인할 70_driver_log 수 있습니다. 70_driver_log_0 는 마스터 프로세스용입니다.

파이프라인에서 샘플 데이터 탑재 실패

위의 오류가 발생하는 경우 아래 단계에 따라 문제를 해결하세요.

• 데이터 노드를 두 번 클릭하여 데이터 저장소의 세부 정보 페이지로 이동합니다.

• Unregister 이 azureml_globaldatasets 데이터 저장소입니다.

• 새 Sample Data 노드를 파이프라인으로 끌어서 놓아 다른 시도를 합니다.