Uitzonderingen en foutcodes voor de ontwerpfunctie

Artikel
11/08/2023

In dit artikel worden de foutberichten en uitzonderingscodes in Azure Machine Learning Designer beschreven om u te helpen bij het oplossen van problemen met uw machine learning-pijplijnen.

U vindt het foutbericht in de ontwerpfunctie door de volgende stappen uit te voeren:

Selecteer het mislukte onderdeel, ga naar het tabblad Outputs+logs . U vindt het gedetailleerde logboek in het bestand 70_driver_log.txt onder de categorie azureml-logs .
Voor een gedetailleerde onderdeelfout kunt u deze controleren in de error_info.json onder module_statistics categorie.

Hieronder volgen foutcodes van onderdelen in de ontwerpfunctie.

Fout 0001

Uitzondering treedt op als een of meer opgegeven kolommen met gegevensset niet kunnen worden gevonden.

U krijgt deze fout als er een kolomselectie is gemaakt voor een onderdeel, maar de geselecteerde kolommen niet bestaan in de invoergegevensset. Deze fout kan optreden als u handmatig een kolomnaam hebt getypt of als de kolomkiezer een voorgestelde kolom heeft opgegeven die niet bestond in uw gegevensset toen u de pijplijn uitvoerde.

Oplossing: Ga opnieuw naar het onderdeel dat deze uitzondering genereert en controleer of de kolomnaam of -namen juist zijn en of alle kolommen waarnaar wordt verwezen, bestaan.

Uitzonderingsberichten
Een of meer opgegeven kolommen zijn niet gevonden.
De kolom met de naam of index {column_id} is niet gevonden.
De kolom met de naam of index {column_id} bestaat niet in {arg_name_missing_column}.
De kolom met de naam of index {column_id} bestaat niet in {arg_name_missing_column}, maar bestaat in {arg_name_has_column}.
Kolommen met de naam of index {column_names} zijn niet gevonden.
Kolommen met de naam of index {column_names} bestaan niet in {arg_name_missing_column}.
Kolommen met de naam of index {column_names} bestaan niet in {arg_name_missing_column}, maar bestaan in {arg_name_has_column}.

Fout 0002

Uitzondering treedt op als een of meer parameters niet kunnen worden geparseerd of geconverteerd van het opgegeven type naar vereist door het doelmethodetype.

Deze fout treedt op in Azure Machine Learning wanneer u een parameter opgeeft als invoer en het waardetype verschilt van het type dat wordt verwacht en impliciete conversie kan niet worden uitgevoerd.

Oplossing: Controleer de onderdeelvereisten en bepaal welk waardetype is vereist (tekenreeks, geheel getal, dubbel, enzovoort)

Uitzonderingsberichten
Kan parameter niet parseren.
Kan de parameter {arg_name_or_column} niet parseren.
Kan de parameter {arg_name_or_column} niet converteren naar {to_type}.
Kan de parameter {arg_name_or_column} van {from_type} niet converteren naar {to_type}.
Kan de parameterwaarde {arg_name_or_column} {arg_value} niet converteren van {from_type} naar {to_type}.
Kan de waarde {arg_value} in kolom {arg_name_or_column} van {from_type} niet converteren naar {to_type}, met de opgegeven notatie {fmt}.

Fout 0003

Uitzondering treedt op als een of meer invoerwaarden null of leeg zijn.

Deze fout wordt weergegeven in Azure Machine Learning als invoer of parameters voor een onderdeel null of leeg zijn. Deze fout kan bijvoorbeeld optreden wanneer u geen waarde voor een parameter hebt getypt. Dit kan ook gebeuren als u een gegevensset met ontbrekende waarden of een lege gegevensset hebt gekozen.

Oplossing:

Open het onderdeel dat de uitzondering heeft geproduceerd en controleer of alle invoer is opgegeven. Zorg ervoor dat alle vereiste invoergegevens zijn opgegeven.
Zorg ervoor dat gegevens die vanuit Azure Storage worden geladen, toegankelijk zijn en dat de accountnaam of sleutel niet is gewijzigd.
Controleer de invoergegevens op ontbrekende waarden of null-waarden.
Als u een query op een gegevensbron gebruikt, controleert u of gegevens worden geretourneerd in de verwachte indeling.
Controleer op typfouten of andere wijzigingen in de specificatie van gegevens.

Uitzonderingsberichten
Een of meer invoerwaarden zijn null of leeg.
De invoer {name} is null of leeg.

Fout 0004

Uitzondering treedt op als de parameter kleiner is dan of gelijk is aan een specifieke waarde.

U ontvangt deze fout in Azure Machine Learning als de parameter in het bericht zich onder een grenswaarde bevindt die is vereist voor het onderdeel om de gegevens te verwerken.

Oplossing: Ga opnieuw naar het onderdeel dat de uitzondering genereert en wijzig de parameter zodat deze groter is dan de opgegeven waarde.

Uitzonderingsberichten
De parameter moet groter zijn dan de grenswaarde.
De parameter {arg_name} moet groter zijn dan {lower_boundary}.
De parameter {arg_name} heeft de waarde {actual_value}, die groter moet zijn dan {lower_boundary}.

Fout 0005

Uitzondering treedt op als de parameter kleiner is dan een specifieke waarde.

U ontvangt deze fout in Azure Machine Learning als de parameter in het bericht lager is dan of gelijk is aan een grenswaarde die is vereist voor het onderdeel om de gegevens te verwerken.

Oplossing: Ga opnieuw naar het onderdeel dat de uitzondering genereert en wijzig de parameter die groter is dan of gelijk is aan de opgegeven waarde.

Uitzonderingsberichten
De parameter moet groter zijn dan of gelijk aan de grenswaarde.
De parameter {arg_name} moet groter zijn dan of gelijk zijn aan {lower_boundary}.
De parameter {arg_name} heeft de waarde {value}, die groter moet zijn dan of gelijk moet zijn aan {lower_boundary}.

Fout 0006

Uitzondering treedt op als de parameter groter is dan of gelijk is aan de opgegeven waarde.

U ontvangt deze fout in Azure Machine Learning als de parameter in het bericht groter is dan of gelijk is aan een grenswaarde die is vereist voor het onderdeel om de gegevens te verwerken.

Oplossing: Ga opnieuw naar het onderdeel dat de uitzondering genereert en wijzig de parameter zodat deze kleiner is dan de opgegeven waarde.

Uitzonderingsberichten
Parameters komen niet overeen. Een van de parameters moet kleiner zijn dan een andere.
De parameter {arg_name} moet kleiner zijn dan de parameterwaarde {upper_boundary_parameter_name}.
De parameter {arg_name} heeft de waarde {value}, die kleiner moet zijn dan {upper_boundary_parameter_name}.

Fout 0007

Uitzondering treedt op als de parameter groter is dan een specifieke waarde.

U ontvangt deze fout in Azure Machine Learning als u in de eigenschappen voor het onderdeel een waarde hebt opgegeven die groter is dan is toegestaan. U kunt bijvoorbeeld een gegevens opgeven die buiten het bereik van ondersteunde datums vallen, of u kunt aangeven dat er vijf kolommen worden gebruikt wanneer er slechts drie kolommen beschikbaar zijn.

Mogelijk ziet u deze fout ook als u twee sets gegevens opgeeft die op een of andere manier moeten overeenkomen. Als u bijvoorbeeld de naam van kolommen wijzigt en de kolommen op index opgeeft, moet het aantal namen dat u opgeeft overeenkomen met het aantal kolomindexen. Een ander voorbeeld is een wiskundige bewerking die gebruikmaakt van twee kolommen, waarbij de kolommen hetzelfde aantal rijen moeten hebben.

Oplossing:

Open het betreffende onderdeel en controleer eventuele instellingen voor numerieke eigenschappen.
Zorg ervoor dat alle parameterwaarden binnen het ondersteunde bereik met waarden voor die eigenschap vallen.
Als het onderdeel meerdere invoergegevens gebruikt, moet u ervoor zorgen dat de invoer van dezelfde grootte is.

Controleer of de gegevensset of gegevensbron is gewijzigd. Soms mislukt een waarde die met een eerdere versie van de gegevens werkt nadat het aantal kolommen, de kolomgegevenstypen of de grootte van de gegevens is gewijzigd.

Uitzonderingsberichten
Parameters komen niet overeen. Een van de parameters moet kleiner zijn dan of gelijk zijn aan een andere.
De parameter {arg_name}-waarde moet kleiner zijn dan of gelijk zijn aan de parameter {upper_boundary_parameter_name}.
De parameter {arg_name} heeft de waarde {actual_value}, die kleiner dan of gelijk moet zijn aan {upper_boundary}.
De parameter {arg_name}-waarde {actual_value} moet kleiner zijn dan of gelijk zijn aan de parameter {upper_boundary_parameter_name}-waarde {upper_boundary}.
De parameter {arg_name}-waarde {actual_value} moet kleiner zijn dan of gelijk zijn aan {upper_boundary_meaning} waarde {upper_boundary}.

Fout 0008

Uitzondering treedt op als de parameter zich niet binnen het bereik bevindt.

U ontvangt deze fout in Azure Machine Learning als de parameter in het bericht buiten de grenzen valt die vereist zijn voor het verwerken van de gegevens door het onderdeel.

Deze fout wordt bijvoorbeeld weergegeven als u rijen toevoegen probeert te gebruiken om twee gegevenssets met een ander aantal kolommen te combineren.

Oplossing: Ga opnieuw naar het onderdeel dat de uitzondering genereert en wijzig de parameter in het opgegeven bereik.

Uitzonderingsberichten
De parameterwaarde bevindt zich niet in het opgegeven bereik.
De parameter {arg_name} bevindt zich niet in het bereik.
De parameter {arg_name} moet zich in het bereik van [{lower_boundary}, {upper_boundary}] bevindt.
De parameter {arg_name} bevindt zich niet in het bereik. {reason}

Fout 0009

Uitzondering treedt op wanneer de naam of containernaam van het Azure-opslagaccount onjuist is opgegeven.

Deze fout treedt op in azure Machine Learning Designer wanneer u parameters opgeeft voor een Azure-opslagaccount, maar de naam of het wachtwoord kan niet worden opgelost. Er kunnen om verschillende redenen fouten optreden bij wachtwoorden of accountnamen:

Het account is het verkeerde type. Sommige nieuwe accounttypen worden niet ondersteund voor gebruik met Machine Learning Designer. Zie Gegevens importeren voor meer informatie.
U hebt de onjuiste accountnaam ingevoerd
Het account bestaat niet meer
Het wachtwoord voor het opslagaccount is onjuist of is gewijzigd
U hebt de containernaam niet opgegeven of de container bestaat niet
U hebt het bestandspad niet volledig opgegeven (pad naar de blob)

Oplossing:

Dergelijke problemen treden vaak op wanneer u de accountnaam, het wachtwoord of het containerpad handmatig probeert in te voeren. U wordt aangeraden de nieuwe wizard te gebruiken voor het onderdeel Gegevens importeren, zodat u namen kunt opzoeken en controleren.

Controleer ook of het account, de container of de blob is verwijderd. Gebruik een ander azure-opslaghulpprogramma om te controleren of de accountnaam en het wachtwoord correct zijn ingevoerd en of de container bestaat.

Sommige nieuwere accounttypen worden niet ondersteund door Azure Machine Learning. De nieuwe 'dynamische' of 'koude' opslagtypen kunnen bijvoorbeeld niet worden gebruikt voor machine learning. Zowel klassieke opslagaccounts als opslagaccounts die zijn gemaakt als Algemeen gebruik, werken prima.

Als het volledige pad naar een blob is opgegeven, controleert u of het pad is opgegeven als container/blobnaam en of zowel de container als de blob in het account aanwezig zijn.

Het pad mag geen voorloopslash bevatten. Bijvoorbeeld /container/blob is onjuist en moet worden ingevoerd als container/blob.

Uitzonderingsberichten
De naam of containernaam van het Azure-opslagaccount is onjuist.
De naam van het Azure-opslagaccount {account_name} of de containernaam {container_name} is onjuist; een containernaam van de indelingscontainer/blob werd verwacht.

Fout 0010

Uitzondering treedt op als invoergegevenssets kolomnamen hebben die moeten overeenkomen, maar niet.

Deze fout wordt weergegeven in Azure Machine Learning als de kolomindex in het bericht verschillende kolomnamen bevat in de twee invoergegevenssets.

Oplossing: Gebruik Metagegevens bewerken of wijzig de oorspronkelijke gegevensset met dezelfde kolomnaam voor de opgegeven kolomindex.

Uitzonderingsberichten
Kolommen met bijbehorende index in invoergegevenssets hebben verschillende namen.
Kolomnamen zijn niet hetzelfde voor kolom {col_index} (nul) van invoergegevenssets (respectievelijk {dataset1} en {dataset2}).

Fout 0011

Uitzondering treedt op als het argument doorgegeven kolomset niet van toepassing is op een van de gegevenssetkolommen.

Deze fout wordt weergegeven in Azure Machine Learning als de opgegeven kolomselectie niet overeenkomt met een van de kolommen in de opgegeven gegevensset.

U kunt deze fout ook zien als u geen kolom hebt geselecteerd en er ten minste één kolom is vereist om het onderdeel te laten werken.

Oplossing: Wijzig de kolomselectie in het onderdeel zodat deze van toepassing is op de kolommen in de gegevensset.

Als het onderdeel vereist dat u een specifieke kolom selecteert, zoals een labelkolom, controleert u of de rechterkolom is geselecteerd.

Als ongepaste kolommen zijn geselecteerd, verwijdert u deze en voert u de pijplijn opnieuw uit.

Uitzonderingsberichten
De opgegeven kolomset is niet van toepassing op een van de gegevenssetkolommen.
De opgegeven kolomset {column_set} is niet van toepassing op gegevenssetkolommen.

Fout 0012

Uitzondering treedt op als het exemplaar van klasse niet kan worden gemaakt met een doorgegeven set argumenten.

Oplossing: deze fout kan niet worden uitgevoerd door de gebruiker en wordt afgeschaft in een toekomstige release.

Uitzonderingsberichten
Niet-getraind model, train eerst het model.
Niet-getraind model ({arg_name}) gebruikt getraind model.

Fout 0013

Uitzondering treedt op als de cursist die aan het onderdeel is doorgegeven, een ongeldig type is.

Deze fout treedt op wanneer een getraind model niet compatibel is met het verbonden scoreonderdeel.

Oplossing:

Bepaal het type cursist dat wordt geproduceerd door het trainingsonderdeel en bepaal het scoreonderdeel dat geschikt is voor de cursist.

Als het model is getraind met behulp van een van de gespecialiseerde trainingsonderdelen, verbindt u het getrainde model alleen met het bijbehorende gespecialiseerde scoreonderdeel.

Modeltype	Trainingsonderdeel	Scoreonderdeel
elke classificatie	Trainingsmodel	ScoreModel
elk regressiemodel	Trainingsmodel	ScoreModel

Uitzonderingsberichten
Cursist van ongeldig type wordt doorgegeven.
De cursist {arg_name} heeft een ongeldig type.
De cursist {arg_name} heeft een ongeldig type {learner_type}.
Cursist van ongeldig type wordt doorgegeven. Uitzonderingsbericht: {exception_message}

Fout 0014

Uitzondering treedt op als het aantal unieke kolomwaarden groter is dan toegestaan.

Deze fout treedt op wanneer een kolom te veel unieke waarden bevat, zoals een id-kolom of tekstkolom. Deze fout kan optreden als u opgeeft dat een kolom wordt verwerkt als categorische gegevens, maar er zijn te veel unieke waarden in de kolom om de verwerking mogelijk te maken. Mogelijk ziet u deze fout ook als er een onjuiste overeenkomst is tussen het aantal unieke waarden in twee invoerwaarden.

De fout van unieke waarden is groter dan toegestaan als aan beide volgende voorwaarden wordt voldaan:

Meer dan 97% exemplaren van één kolom zijn unieke waarden, wat betekent dat bijna alle categorieën van elkaar verschillen.
Eén kolom heeft meer dan 1000 unieke waarden.

Oplossing:

Open het onderdeel dat de fout heeft gegenereerd en identificeer de kolommen die als invoer worden gebruikt. Voor sommige onderdelen kunt u met de rechtermuisknop op de invoer van de gegevensset klikken en Visualiseren selecteren om statistieken over afzonderlijke kolommen op te halen, inclusief het aantal unieke waarden en de bijbehorende distributie.

Voor kolommen die u wilt gebruiken voor groepering of categorisatie, voert u stappen uit om het aantal unieke waarden in kolommen te verminderen. U kunt dit op verschillende manieren verminderen, afhankelijk van het gegevenstype van de kolom.

Voor id-kolommen die geen zinvolle functies zijn tijdens het trainen van een model, kunt u Metagegevens bewerken gebruiken om die kolom als clear-functie te markeren en deze wordt niet gebruikt tijdens het trainen van een model.

Voor tekstkolommen kunt u Functie-hashing gebruiken of N-Gram-functies uit het tekstonderdeel extraheren om tekstkolommen vooraf te verwerken.

Tip

Kunt u geen oplossing vinden die overeenkomt met uw scenario? U kunt feedback geven over dit onderwerp met de naam van het onderdeel dat de fout heeft gegenereerd, en het gegevenstype en de kardinaliteit van de kolom. We gebruiken de informatie om meer gerichte stappen voor probleemoplossing te bieden voor veelvoorkomende scenario's.

Uitzonderingsberichten
De hoeveelheid unieke kolomwaarden is groter dan toegestaan.
Aantal unieke waarden in kolom: {column_name} is groter dan toegestaan.
Aantal unieke waarden in kolom: {column_name} overschrijdt het aantal tuples van {limitation}.

Fout 0015

Uitzondering treedt op als de databaseverbinding is mislukt.

U ontvangt deze fout als u een onjuiste SQL-accountnaam, wachtwoord, databaseserver of databasenaam invoert of als er geen verbinding met de database tot stand kan worden gebracht vanwege problemen met de database of server.

Oplossing: Controleer of de accountnaam, het wachtwoord, de databaseserver en de database correct zijn ingevoerd en of het opgegeven account het juiste machtigingsniveau heeft. Controleer of de database momenteel toegankelijk is.

Uitzonderingsberichten
Fout bij het maken van een databaseverbinding.
Fout bij het maken van databaseverbinding: {connection_str}.

Fout 0016

Uitzondering treedt op als invoergegevenssets die worden doorgegeven aan het onderdeel compatibele kolomtypen moeten hebben, maar dat niet.

Deze fout wordt weergegeven in Azure Machine Learning als de typen kolommen die in twee of meer gegevenssets worden doorgegeven, niet compatibel zijn met elkaar.

Oplossing: Gebruik Metagegevens bewerken of wijzig de oorspronkelijke invoergegevensset om ervoor te zorgen dat de typen kolommen compatibel zijn.

Uitzonderingsberichten
Kolommen met bijbehorende index in invoergegevenssets hebben niet-compatibele typen.
Kolommen {first_col_names} zijn niet compatibel tussen train- en testgegevens.
Kolommen {first_col_names} en {second_col_names} zijn niet compatibel.
Kolomelementtypen zijn niet compatibel voor respectievelijk kolom {first_col_names} (nul) van invoergegevenssets ({first_dataset_names} en {second_dataset_names}).

Fout 0017

Uitzondering treedt op als een geselecteerde kolom een gegevenstype gebruikt dat niet wordt ondersteund door het huidige onderdeel.

U ontvangt deze fout bijvoorbeeld in Azure Machine Learning als uw kolomselectie een kolom bevat met een gegevenstype dat niet kan worden verwerkt door het onderdeel, zoals een tekenreekskolom voor een wiskundige bewerking of een scorekolom waarin een categorische functiekolom is vereist.

Oplossing:

Identificeer de kolom die het probleem is.
Controleer de vereisten van het onderdeel.
Wijzig de kolom zodat deze voldoet aan de vereisten. Mogelijk moet u verschillende van de volgende onderdelen gebruiken om wijzigingen aan te brengen, afhankelijk van de kolom en de conversie die u probeert:
- Gebruik Metagegevens bewerken om het gegevenstype van kolommen te wijzigen of om het kolomgebruik te wijzigen van functie in numeriek, categorisch naar niet-categorisch, enzovoort.

Als laatste redmiddel moet u mogelijk de oorspronkelijke invoergegevensset wijzigen.

Tip

Uitzonderingsberichten
Kan de kolom van het huidige type niet verwerken. Het type wordt niet ondersteund door het onderdeel.
Kan de kolom van het type {col_type} niet verwerken. Het type wordt niet ondersteund door het onderdeel.
Kan kolom {col_name} van het type {col_type} niet verwerken. Het type wordt niet ondersteund door het onderdeel.
Kan kolom {col_name} van het type {col_type} niet verwerken. Het type wordt niet ondersteund door het onderdeel. Parameternaam: {arg_name}.

Fout 0018

Uitzondering treedt op als de invoergegevensset ongeldig is.

Oplossing: deze fout in Azure Machine Learning kan in veel contexten worden weergegeven, dus er is geen enkele oplossing. Over het algemeen geeft de fout aan dat de gegevens die als invoer voor een onderdeel worden geleverd, het verkeerde aantal kolommen hebben of dat het gegevenstype niet voldoet aan de vereisten van het onderdeel. Voorbeeld:

Voor het onderdeel is een labelkolom vereist, maar er is geen kolom gemarkeerd als een label of u hebt nog geen labelkolom geselecteerd.
Het onderdeel vereist dat gegevens categorisch zijn, maar dat uw gegevens numeriek zijn.

De gegevens hebben de verkeerde indeling.
Geïmporteerde gegevens bevatten ongeldige tekens, ongeldige waarden of waarden buiten het bereik.
De kolom is leeg of bevat te veel ontbrekende waarden.

Als u de vereisten wilt bepalen en hoe uw gegevens kunnen worden gebruikt, raadpleegt u het Help-onderwerp voor het onderdeel dat de gegevensset als invoer gebruikt.

Uitzonderingsberichten
De gegevensset is ongeldig.
{dataset1} bevat ongeldige gegevens.
{dataset1} en {dataset2} moeten consistent kolomgewijs zijn.
{dataset1} bevat ongeldige gegevens, {reason}.
{dataset1} bevat {invalid_data_category}. {troubleshoot_hint}
{dataset1} is ongeldig, {reason}. {troubleshoot_hint}

Fout 0019

Uitzondering treedt op als de kolom naar verwachting gesorteerde waarden bevat, maar dit niet.

U ontvangt deze fout in Azure Machine Learning als de opgegeven kolomwaarden niet op volgorde zijn.

Oplossing: Sorteer de kolomwaarden door de invoergegevensset handmatig te wijzigen en het onderdeel opnieuw uit te voeren.

Uitzonderingsberichten
Waarden in de kolom worden niet gesorteerd.
Waarden in kolom {col_index} worden niet gesorteerd.
Waarden in kolom {col_index} van gegevensset {dataset} worden niet gesorteerd.
Waarden in argument {arg_name} worden niet gesorteerd in de volgorde {sorting_order}.

Fout 0020

Uitzondering treedt op als het aantal kolommen in sommige gegevenssets dat aan het onderdeel is doorgegeven, te klein is.

Deze fout wordt weergegeven in Azure Machine Learning als er onvoldoende kolommen zijn geselecteerd voor een onderdeel.

Oplossing: Ga opnieuw naar het onderdeel en zorg ervoor dat de kolomkiezer het juiste aantal kolommen heeft geselecteerd.

Uitzonderingsberichten
Het aantal kolommen in de invoergegevensset is kleiner dan het toegestane minimum.
Het aantal kolommen in de invoergegevensset {arg_name} is kleiner dan het toegestane minimum.
Het aantal kolommen in de invoergegevensset is kleiner dan het toegestane minimum van {required_columns_count}-kolommen.
Het aantal kolommen in de invoergegevensset {arg_name} is kleiner dan het toegestane minimum van {required_columns_count}-kolommen.

Fout 0021

Uitzondering treedt op als het aantal rijen in sommige gegevenssets dat aan het onderdeel is doorgegeven, te klein is.

Deze fout in Azure Machine Learning wanneer er onvoldoende rijen in de gegevensset zijn om de opgegeven bewerking uit te voeren. U ziet deze fout bijvoorbeeld als de invoergegevensset leeg is of als u een bewerking probeert uit te voeren waarvoor een minimum aantal rijen geldig moet zijn. Dergelijke bewerkingen kunnen bestaan uit (maar zijn niet beperkt tot) groepering of classificatie op basis van statistische methoden, bepaalde typen binning en leren met aantallen.

Oplossing:

Open het onderdeel dat de fout heeft geretourneerd en controleer de eigenschappen van de invoergegevensset en het onderdeel.
Controleer of de invoergegevensset niet leeg is en of er voldoende rijen met gegevens zijn om te voldoen aan de vereisten die worden beschreven in de help van onderdelen.
Als uw gegevens worden geladen vanuit een externe bron, moet u ervoor zorgen dat de gegevensbron beschikbaar is en dat er geen fout of wijziging is in de gegevensdefinitie waardoor het importproces minder rijen krijgt.
Als u een bewerking uitvoert op de gegevens upstream van het onderdeel dat van invloed kan zijn op het type gegevens of het aantal waarden, zoals opschonen, splitsen of samenvoegen, controleert u de uitvoer van deze bewerkingen om het aantal geretourneerde rijen te bepalen.

Uitzonderingsberichten
Het aantal rijen in de invoergegevensset is kleiner dan het toegestane minimum.
Het aantal rijen in de invoergegevensset is kleiner dan het toegestane minimum van {required_rows_count} rijen.
Het aantal rijen in de invoergegevensset is kleiner dan het toegestane minimum van {required_rows_count} rijen. {reason}
Het aantal rijen in de invoergegevensset {arg_name} is kleiner dan het toegestane minimum van {required_rows_count} rij(en).
Het aantal rijen in de invoergegevensset {arg_name} is {actual_rows_count}, kleiner dan het toegestane minimum van {required_rows_count} rij(en).
Het aantal rijen {row_type} in de invoergegevensset {arg_name} is {actual_rows_count}, kleiner dan het toegestane minimum van {required_rows_count} rijen.

Fout 0022

Uitzondering treedt op als het aantal geselecteerde kolommen in de invoergegevensset niet gelijk is aan het verwachte getal.

Deze fout in Azure Machine Learning kan optreden wanneer voor het downstreamonderdeel of de downstreambewerking een specifiek aantal kolommen of invoer is vereist en u te weinig of te veel kolommen of invoer hebt opgegeven. Voorbeeld:

U geeft één labelkolom of sleutelkolom op en u hebt per ongeluk meerdere kolommen geselecteerd.
U wijzigt de naam van kolommen, maar u hebt meer of minder namen opgegeven dan er kolommen zijn.
Het aantal kolommen in de bron of het doel is gewijzigd of komt niet overeen met het aantal kolommen dat door het onderdeel wordt gebruikt.
U hebt een door komma's gescheiden lijst met waarden opgegeven voor invoer, maar het aantal waarden komt niet overeen of meerdere invoerwaarden worden niet ondersteund.

Oplossing: Ga opnieuw naar het onderdeel en controleer de kolomselectie om ervoor te zorgen dat het juiste aantal kolommen is geselecteerd. Controleer de uitvoer van upstream-onderdelen en de vereisten van downstreambewerkingen.

Als u een van de opties voor kolomselectie hebt gebruikt waarmee u meerdere kolommen kunt selecteren (kolomindexen, alle functies, alle numerieke waarden, enzovoort), valideert u het exacte aantal kolommen dat door de selectie wordt geretourneerd.

Controleer of het aantal of het type upstreamkolommen niet is gewijzigd.

Als u een aanbevelingsgegevensset gebruikt om een model te trainen, moet u er rekening mee houden dat de aanbevolen gebruiker een beperkt aantal kolommen verwacht, dat overeenkomt met paren van gebruikersitems of classificaties van gebruikersitems. Verwijder extra kolommen voordat u het model traint of aanbevelingsgegevenssets splitst. Zie Split Data voor meer informatie.

Uitzonderingsberichten
Het aantal geselecteerde kolommen in de invoergegevensset is niet gelijk aan het verwachte getal.
Het aantal geselecteerde kolommen in de invoergegevensset is niet gelijk aan {expected_col_count}.
Het kolomselectiepatroon {selection_pattern_friendly_name} biedt het aantal geselecteerde kolommen in de invoergegevensset dat niet gelijk is aan {expected_col_count}.
Het kolomselectiepatroon {selection_pattern_friendly_name} zal naar verwachting {expected_col_count} kolom(en) bevatten die zijn geselecteerd in de invoergegevensset, maar {selected_col_count} kolom(en) wordt/worden daadwerkelijk verstrekt.

Fout 0023

Uitzondering treedt op als de doelkolom van de invoergegevensset niet geldig is voor het huidige traineronderdeel.

Deze fout in Azure Machine Learning treedt op als de doelkolom (zoals geselecteerd in de onderdeelparameters) niet van het geldige gegevenstype is, alle ontbrekende waarden bevat of niet categorisch was zoals verwacht.

Oplossing: Ga terug naar de invoer van het onderdeel om de inhoud van de label-/doelkolom te controleren. Zorg ervoor dat niet alle ontbrekende waarden zijn. Als het onderdeel verwacht dat de doelkolom categorisch is, moet u ervoor zorgen dat er meer dan één afzonderlijke waarden in de doelkolom staan.

Uitzonderingsberichten
De invoergegevensset heeft een niet-ondersteunde doelkolom.
Invoergegevensset heeft niet-ondersteunde doelkolom {column_index}.
De invoergegevensset heeft een niet-ondersteunde doelkolom {column_index} voor cursist van het type {learner_type}.

Fout 0024

Uitzondering treedt op als de gegevensset geen labelkolom bevat.

Deze fout in Azure Machine Learning treedt op wanneer voor het onderdeel een labelkolom is vereist en de gegevensset geen labelkolom heeft. Evaluatie van een gescoorde gegevensset vereist bijvoorbeeld meestal dat een labelkolom aanwezig is om metrische gegevens over nauwkeurigheid te berekenen.

Het kan ook gebeuren dat een labelkolom aanwezig is in de gegevensset, maar niet correct wordt gedetecteerd door Azure Machine Learning.

Oplossing:

Open het onderdeel dat de fout heeft gegenereerd en bepaal of er een labelkolom aanwezig is. De naam of het gegevenstype van de kolom maakt niet uit, zolang de kolom één resultaat (of afhankelijke variabele) bevat dat u probeert te voorspellen. Als u niet zeker weet welke kolom het label heeft, zoekt u naar een algemene naam, zoals Klasse of Doel.
Als de gegevensset geen labelkolom bevat, is het mogelijk dat de labelkolom expliciet of per ongeluk upstream is verwijderd. Het kan ook zijn dat de gegevensset niet de uitvoer is van een upstream scoring-onderdeel.
Als u de kolom expliciet als labelkolom wilt markeren, voegt u het onderdeel Metagegevens bewerken toe en verbindt u de gegevensset. Selecteer alleen de labelkolom en selecteer Label in de vervolgkeuzelijst Velden.
Als de verkeerde kolom als label is gekozen, kunt u Label wissen selecteren in de velden om de metagegevens in de kolom op te lossen.

Uitzonderingsberichten
Er is geen labelkolom in de gegevensset.
Er is geen labelkolom in {dataset_name}.

Fout 0025

Uitzondering treedt op als de gegevensset geen scorekolom bevat.

Deze fout in Azure Machine Learning treedt op als de invoer voor het evaluatiemodel geen geldige scorekolommen bevat. De gebruiker probeert bijvoorbeeld een gegevensset te evalueren voordat deze is gescoord met een correct getraind model, of de scorekolom is expliciet upstream verwijderd. Deze uitzondering treedt ook op als de scorekolommen op de twee gegevenssets niet compatibel zijn. U probeert bijvoorbeeld de nauwkeurigheid van een lineaire regressor te vergelijken met een binaire classificatie.

Oplossing: Ga opnieuw naar de invoer voor het evaluatiemodel en controleer of het een of meer scorekolommen bevat. Zo niet, dan is de gegevensset niet gescoord of zijn de scorekolommen verwijderd in een upstream-onderdeel.

Uitzonderingsberichten
Er is geen scorekolom in de gegevensset.
Er is geen scorekolom in {dataset_name}.
Er is geen scorekolom in {dataset_name} die wordt geproduceerd door een {learner_type}. Score de gegevensset met het juiste type cursist.

Fout 0026

Uitzondering treedt op als kolommen met dezelfde naam niet zijn toegestaan.

Deze fout in Azure Machine Learning treedt op als meerdere kolommen dezelfde naam hebben. Een manier waarop u deze fout kunt ontvangen, is als de gegevensset geen veldnamenrij heeft en kolomnamen automatisch worden toegewezen: Col0, Col1, enzovoort.

Oplossing: Als kolommen dezelfde naam hebben, voegt u een onderdeel Metagegevens bewerken in tussen de invoergegevensset en het onderdeel. Gebruik de kolomkiezer in Metagegevens bewerken om kolommen te selecteren waarvan u de naam wilt wijzigen en typ de nieuwe namen in het tekstvak Nieuwe kolomnamen .

Uitzonderingsberichten
Gelijke kolomnamen worden opgegeven in argumenten. Gelijke kolomnamen zijn niet toegestaan per onderdeel.
Gelijke kolomnamen in argumenten {arg_name_1} en {arg_name_2} zijn niet toegestaan. Geef verschillende namen op.

Fout 0027

Uitzondering treedt op in het geval dat twee objecten van dezelfde grootte moeten zijn, maar niet.

Dit is een veelvoorkomende fout in Azure Machine Learning en kan worden veroorzaakt door veel voorwaarden.

Resolutie: Er is geen specifieke resolutie. U kunt echter controleren op voorwaarden zoals:

Als u de naam van kolommen wijzigt, moet u ervoor zorgen dat elke lijst (de invoerkolommen en de lijst met nieuwe namen) hetzelfde aantal items heeft.
Als u twee gegevenssets samenvoegt of samenvoegt, moet u ervoor zorgen dat deze hetzelfde schema hebben.
Als u twee gegevenssets met meerdere kolommen samenvoegt, moet u ervoor zorgen dat de sleutelkolommen hetzelfde gegevenstype hebben en selecteert u de optie Duplicaten toestaan en de kolomvolgorde behouden in de selectie.

Uitzonderingsberichten
De grootte van doorgegeven objecten is inconsistent.
De grootte van {friendly_name1} is inconsistent met de grootte {friendly_name2}.

Fout 0028

Uitzondering treedt op in het geval dat de kolomset dubbele kolomnamen bevat en deze niet is toegestaan.

Deze fout in Azure Machine Learning treedt op wanneer kolomnamen worden gedupliceerd; dat wil wel, niet uniek.

Oplossing: Als kolommen dezelfde naam hebben, voegt u een exemplaar van Metagegevens bewerken toe tussen de invoergegevensset en het onderdeel dat de fout veroorzaakt. Gebruik de kolomkiezer in Metagegevens bewerken om de naam van kolommen te selecteren en typ de nieuwe kolomnamen in het tekstvak Nieuwe kolomnamen . Als u de naam van meerdere kolommen wijzigt, moet u ervoor zorgen dat de waarden die u in de nieuwe kolomnamen typt uniek zijn.

Uitzonderingsberichten
De kolomset bevat een of meer dubbele kolomnamen.
De naam {duplicated_name} wordt gedupliceerd.
De naam {duplicated_name} wordt gedupliceerd in {arg_name}.
De naam {duplicated_name} wordt gedupliceerd. Details: {details}

Fout 0029

Uitzondering treedt op in het geval dat er een ongeldige URI wordt doorgegeven.

Deze fout in Azure Machine Learning treedt op als er een ongeldige URI wordt doorgegeven. U ontvangt deze fout als aan een van de volgende voorwaarden wordt voldaan:

De openbare of SAS-URI voor Azure Blob Storage voor lezen of schrijven bevat een fout.
Het tijdvenster voor de SAS is verlopen.
De web-URL via http-bron vertegenwoordigt een bestand of een loopback-URI.
De web-URL via HTTP bevat een onjuist opgemaakte URL.
De URL kan niet worden omgezet door de externe bron.

Oplossing: Ga opnieuw naar het onderdeel en controleer de indeling van de URI. Als de gegevensbron een web-URL via HTTP is, controleert u of de beoogde bron geen bestand of een loopback-URI (localhost) is.

Uitzonderingsberichten
Er wordt een ongeldige URI doorgegeven.
De URI {invalid_url} is ongeldig.

Fout 0030

Uitzondering treedt op in het geval dat het niet mogelijk is om een bestand te downloaden.

Deze uitzondering in Azure Machine Learning treedt op wanneer het niet mogelijk is om een bestand te downloaden. U ontvangt deze uitzondering wanneer een poging tot lezen van een HTTP-bron is mislukt na drie (3) nieuwe pogingen.

Oplossing: Controleer of de URI naar de HTTP-bron juist is en of de site momenteel toegankelijk is via internet.

Uitzonderingsberichten
Kan een bestand niet downloaden.
Fout bij het downloaden van het bestand: {file_url}.

Fout 0031

Uitzondering treedt op als het aantal kolommen in de kolomset kleiner is dan nodig is.

Deze fout in Azure Machine Learning treedt op als het aantal geselecteerde kolommen kleiner is dan nodig is. Deze fout wordt weergegeven als het minimale aantal kolommen niet is geselecteerd.

Oplossing: Voeg extra kolommen toe aan de kolomselectie met behulp van de kolomkiezer.

Uitzonderingsberichten
Het aantal kolommen in de kolomset is kleiner dan vereist.
Er moeten ten minste {required_columns_count} kolommen worden opgegeven voor het invoerargument {arg_name}.
Er moeten ten minste {required_columns_count} kolommen worden opgegeven voor het invoerargument {arg_name}. Het werkelijke aantal opgegeven kolommen is {input_columns_count}.

Fout 0032

Uitzondering treedt op als het argument geen getal is.

U ontvangt deze fout in Azure Machine Learning als het argument een dubbele of NaN is.

Oplossing: wijzig het opgegeven argument om een geldige waarde te gebruiken.

Uitzonderingsberichten
Argument is geen getal.
{arg_name} is geen getal.

Fout 0033

Uitzondering treedt op als het argument Infinity is.

Deze fout in Azure Machine Learning treedt op als het argument oneindig is. U ontvangt deze fout als het argument is double.NegativeInfinity of double.PositiveInfinity.

Oplossing: Wijzig het opgegeven argument als een geldige waarde.

Uitzonderingsberichten
Argument moet eindig zijn.
{arg_name} is niet eindig.
Kolom {column_name} bevat oneindige waarden.

Fout 0034

Uitzondering treedt op als er meer dan één classificatie bestaat voor een bepaald paar gebruikersitems.

Deze fout in Azure Machine Learning treedt op in aanbeveling als een paar gebruikersitems meer dan één beoordelingswaarde heeft.

Oplossing: Zorg ervoor dat het paar gebruikersitems slechts één beoordelingswaarde heeft.

Uitzonderingsberichten
Er bestaat meer dan één classificatie voor de waarde(s) in de gegevensset.
Meer dan één classificatie voor gebruiker {user} en item {item} in de classificatievoorspellingsgegevenstabel.
Meer dan één classificatie voor gebruiker {user} en item {item} in {dataset}.

Fout 0035

Uitzondering treedt op als er geen functies zijn opgegeven voor een bepaalde gebruiker of een bepaald item.

Deze fout in Azure Machine Learning treedt op wanneer u probeert een aanbevelingsmodel te gebruiken voor scoren, maar er kan geen functievector worden gevonden.

Oplossing:

De Matchbox-aanbeveling heeft bepaalde vereisten waaraan moet worden voldaan bij het gebruik van itemfuncties of gebruikersfuncties. Deze fout geeft aan dat een functievector ontbreekt voor een gebruiker of item dat u hebt opgegeven als invoer. Zorg ervoor dat er een vector van functies beschikbaar is in de gegevens voor elke gebruiker of elk item.

Als u bijvoorbeeld een aanbevelingsmodel hebt getraind met behulp van functies zoals de leeftijd, locatie of inkomsten van de gebruiker, maar nu scores wilt maken voor nieuwe gebruikers die niet werden gezien tijdens de training, moet u een equivalente set functies (namelijk leeftijd, locatie en inkomsten) opgeven voor de nieuwe gebruikers om geschikte voorspellingen voor hen te kunnen doen.

Als u geen functies voor deze gebruikers hebt, kunt u functie-engineering overwegen om de juiste functies te genereren. Als u bijvoorbeeld geen individuele gebruikersleeftijd of inkomenswaarden hebt, kunt u geschatte waarden genereren voor een groep gebruikers.

Tip

Oplossing die niet van toepassing is op uw zaak? U kunt feedback over dit artikel sturen en informatie geven over het scenario, inclusief het onderdeel en het aantal rijen in de kolom. We gebruiken deze informatie om in de toekomst gedetailleerdere stappen voor probleemoplossing te bieden.

Uitzonderingsberichten
Er zijn geen functies opgegeven voor een vereiste gebruiker of item.
Functies voor {required_feature_name} zijn vereist, maar niet opgegeven.

Fout 0036

Uitzondering treedt op als er meerdere functievectoren zijn opgegeven voor een bepaalde gebruiker of een bepaald item.

Deze fout in Azure Machine Learning treedt op als er meerdere keren een functievector is gedefinieerd.

Oplossing: Zorg ervoor dat de functievector niet meer dan één keer is gedefinieerd.

Uitzonderingsberichten
Dubbele functiedefinitie voor een gebruiker of item.

Fout 0037

Uitzondering treedt op als er meerdere labelkolommen zijn opgegeven en er slechts één is toegestaan.

Deze fout in Azure Machine Learning treedt op als er meer dan één kolom is geselecteerd als de nieuwe labelkolom. Voor de meeste leeralgoritmen onder supervisie moet één kolom worden gemarkeerd als het doel of label.

Oplossing: Zorg ervoor dat u één kolom selecteert als de nieuwe labelkolom.

Uitzonderingsberichten
Er worden meerdere labelkolommen opgegeven.
Er worden meerdere labelkolommen opgegeven in {dataset_name}.

Fout 0039

Uitzondering treedt op als een bewerking is mislukt.

Deze fout in Azure Machine Learning treedt op wanneer een interne bewerking niet kan worden voltooid.

Oplossing: Deze fout wordt veroorzaakt door veel voorwaarden en er is geen specifieke oplossing.
De volgende tabel bevat algemene berichten voor deze fout, gevolgd door een specifieke beschrijving van de voorwaarde.

Als er geen details beschikbaar zijn, kunt u op de microsoft Q&A-vragenpagina feedback verzenden en informatie geven over de onderdelen die de fout en gerelateerde voorwaarden hebben gegenereerd.

Uitzonderingsberichten
Bewerking is mislukt.
Fout tijdens het voltooien van de bewerking: {failed_operation}.
Fout tijdens het voltooien van de bewerking: {failed_operation}. Reden: {reason}.

Fout 0042

Uitzondering treedt op wanneer het niet mogelijk is om kolom te converteren naar een ander type.

Deze fout in Azure Machine Learning treedt op wanneer het niet mogelijk is om de kolom te converteren naar het opgegeven type. U ontvangt deze fout als voor een onderdeel een bepaald gegevenstype is vereist, zoals datum/tijd, tekst, een drijvende-kommanummer of geheel getal, maar het is niet mogelijk om een bestaande kolom te converteren naar het vereiste type.

U kunt bijvoorbeeld een kolom selecteren en deze converteren naar een numeriek gegevenstype voor gebruik in een wiskundige bewerking en deze fout ophalen als de kolom ongeldige gegevens bevat.

Een andere reden waarom u deze fout krijgt als u probeert een kolom te gebruiken met drijvendekommanummers of veel unieke waarden als categorische kolom.

Oplossing:

Open de Help-pagina voor het onderdeel dat de fout heeft gegenereerd en controleer de vereisten voor het gegevenstype.
Controleer de gegevenstypen van de kolommen in de invoergegevensset.
Inspecteer gegevens die afkomstig zijn uit zogenaamde schemaloze gegevensbronnen.
Controleer de gegevensset op ontbrekende waarden of speciale tekens die de conversie naar het gewenste gegevenstype kunnen blokkeren.
- Numerieke gegevenstypen moeten consistent zijn: bijvoorbeeld controleren op drijvende-kommanummers in een kolom met gehele getallen.
- Zoek naar tekenreeksen of NA-waarden in een numerieke kolom.
- Booleaanse waarden kunnen worden geconverteerd naar een geschikte weergave, afhankelijk van het vereiste gegevenstype.
- Tekstkolommen onderzoeken voor niet-Unicode-tekens, tabtekens of besturingstekens
- Datum/tijd-gegevens moeten consistent zijn om modelleringsfouten te voorkomen, maar opschonen kan complex zijn vanwege de vele indelingen. Overweeg het gebruik van Python-scriptonderdelen uitvoeren om opschoning uit te voeren.
Wijzig indien nodig de waarden in de invoergegevensset, zodat de kolom kan worden geconverteerd. Wijziging kan bestaan uit binning- of afkappings- of afrondingsbewerkingen, het verwijderen van uitbijters of het imputeren van ontbrekende waarden. Zie de volgende artikelen voor enkele veelvoorkomende scenario's voor gegevenstransformatie in machine learning:
- Ontbrekende gegevens opschonen
- Gegevens normaliseren

Tip

Oplossing onduidelijk, of niet van toepassing op uw zaak? U kunt feedback over dit artikel sturen en informatie geven over het scenario, inclusief het onderdeel en het gegevenstype van de kolom. We gebruiken deze informatie om in de toekomst gedetailleerdere stappen voor probleemoplossing te bieden.

Uitzonderingsberichten
Conversie is niet toegestaan.
Kan de kolom van het type {type1} niet converteren naar de kolom van het type {type2}.
Kan kolom {col_name1} van het type {type1} niet converteren naar de kolom van het type {type2}.
Kan kolom {col_name1} van het type {type1} niet converteren naar kolom {col_name2} van het type {type2}.

Fout 0044

Uitzondering treedt op wanneer het niet mogelijk is om het elementtype van de kolom af te leiden van de bestaande waarden.

Deze fout in Azure Machine Learning treedt op wanneer het niet mogelijk is om het type kolom of kolommen in een gegevensset af te stellen. Dit gebeurt meestal bij het samenvoegen van twee of meer gegevenssets met verschillende elementtypen. Als Azure Machine Learning geen gemeenschappelijk type kan bepalen dat alle waarden in een kolom of kolommen zonder gegevensverlies kan vertegenwoordigen, wordt deze fout gegenereerd.

Oplossing: Zorg ervoor dat alle waarden in een bepaalde kolom in beide gegevenssets die worden gecombineerd, van hetzelfde type zijn (numeriek, Booleaanse waarde, categorisch, tekenreeks, datum, enzovoort) of kunnen worden gecoerceerd aan hetzelfde type.

Uitzonderingsberichten
Kan het elementtype van de kolom niet afleiden.
Kan het elementtype voor kolom {column_name} niet afleiden. Alle elementen zijn null-verwijzingen.
Kan het elementtype voor kolom {column_name} van de gegevensset {dataset_name} niet afleiden. Alle elementen zijn null-verwijzingen.

Fout 0045

Uitzondering treedt op wanneer het niet mogelijk is om een kolom te maken vanwege gemengde elementtypen in de bron.

Deze fout in Azure Machine Learning wordt gegenereerd wanneer de elementtypen van twee gegevenssets die worden gecombineerd, verschillend zijn.

Uitzonderingsberichten
Kan geen kolom maken met typen gemengde elementen.
Kan geen kolom maken met id {column_id} van typen gemengde elementen: Het type gegevens[{row_1}, {column_id}] is {type_1}. Het type gegevens[{row_2}, {column_id}] is {type_2}.
Kan geen kolom maken met id {column_id} van typen gemengde elementen: Typ het segment {chunk_id_1} is {type_1}. Typ het segment {chunk_id_2} is {type_2} met segmentgrootte: {chunk_size}.

Fout 0046

Uitzondering treedt op wanneer het niet mogelijk is om een map te maken op het opgegeven pad.

Deze fout in Azure Machine Learning treedt op wanneer het niet mogelijk is om een map op het opgegeven pad te maken. Deze fout wordt weergegeven als een deel van het pad naar de uitvoermap voor een Hive-query onjuist of niet toegankelijk is.

Oplossing: Ga opnieuw naar het onderdeel en controleer of het mappad correct is opgemaakt en of het toegankelijk is met de huidige referenties.

Uitzonderingsberichten
Geef een geldige uitvoermap op.
Map: {path} kan niet worden gemaakt. Geef een geldig pad op.

Fout 0047

Uitzondering treedt op als het aantal functiekolommen in sommige gegevenssets die aan het onderdeel worden doorgegeven, te klein is.

Deze fout in Azure Machine Learning treedt op als de invoergegevensset voor training niet het minimale aantal kolommen bevat dat is vereist voor het algoritme. De gegevensset is doorgaans leeg of bevat alleen trainingskolommen.

Oplossing: Ga opnieuw naar de invoergegevensset om ervoor te zorgen dat er een of meer extra kolommen naast de labelkolom staan.

Uitzonderingsberichten
Het aantal functiekolommen in de invoergegevensset is minder dan toegestaan.
Het aantal functiekolommen in de invoergegevensset is kleiner dan het toegestane minimum van {required_columns_count}-kolommen.
Het aantal functiekolommen in de invoergegevensset {arg_name} is minder dan toegestaan minimum van {required_columns_count}-kolommen.

Fout 0048

Uitzondering treedt op in het geval dat het niet mogelijk is om een bestand te openen.

Deze fout in Azure Machine Learning treedt op wanneer het niet mogelijk is om een bestand te openen voor lezen of schrijven. U krijgt deze fout mogelijk om de volgende redenen:

De container of het bestand (blob) bestaat niet
Op het toegangsniveau van het bestand of de container kunt u geen toegang krijgen tot het bestand
Het bestand is te groot om te lezen of de verkeerde indeling

Oplossing: Ga opnieuw naar het onderdeel en het bestand dat u probeert te lezen.

Controleer of de namen van de container en het bestand juist zijn.

Gebruik de klassieke Azure-portal of een Hulpprogramma voor Azure Storage om te controleren of u gemachtigd bent om toegang te krijgen tot het bestand.

Uitzonderingsberichten
Kan een bestand niet openen.
Fout bij het openen van het bestand: {file_name}.
Fout bij het openen van het bestand: {file_name}. Uitzonderingsbericht voor opslag: {exception}.

Fout 0049

Uitzondering treedt op in het geval dat het niet mogelijk is om een bestand te parseren.

Deze fout in Azure Machine Learning treedt op wanneer het niet mogelijk is een bestand te parseren. U krijgt deze fout als de bestandsindeling die is geselecteerd in het onderdeel Gegevens importeren niet overeenkomt met de werkelijke indeling van het bestand of als het bestand een onherkenbaar teken bevat.

Oplossing: Ga opnieuw naar het onderdeel en corrigeer de selectie van de bestandsindeling als deze niet overeenkomt met de indeling van het bestand. Controleer indien mogelijk het bestand om te bevestigen dat het geen ongeldige tekens bevat.

Uitzonderingsberichten
Kan een bestand niet parseren.
Fout bij het parseren van het bestand {file_format}.
Fout bij het parseren van het bestand {file_format}: {file_name}.
Fout bij het parseren van het bestand {file_format}. Reden: {failure_reason}.
Fout bij het parseren van het bestand {file_format}: {file_name}. Reden: {failure_reason}.

Fout 0052

Uitzondering treedt op als de sleutel van het Azure-opslagaccount onjuist is opgegeven.

Deze fout in Azure Machine Learning treedt op als de sleutel die wordt gebruikt voor toegang tot het Azure-opslagaccount onjuist is. U ziet deze fout bijvoorbeeld als de Azure-opslagsleutel is afgekapt bij het kopiëren en plakken of als de verkeerde sleutel is gebruikt.

Zie Toegangssleutels voor opslag weergeven, kopiëren en opnieuw genereren voor meer informatie over het ophalen van de sleutel voor een Azure-opslagaccount.

Oplossing: Ga opnieuw naar het onderdeel en controleer of de Azure-opslagsleutel juist is voor het account. Kopieer indien nodig de sleutel opnieuw vanuit de klassieke Azure-portal.

Uitzonderingsberichten
De sleutel van het Azure-opslagaccount is onjuist.

Fout 0053

Uitzondering treedt op in het geval dat er geen gebruikersfuncties of items zijn voor aanbevelingen voor matchbox.

Deze fout in Azure Machine Learning wordt geproduceerd wanneer een functievector niet kan worden gevonden.

Oplossing: Zorg ervoor dat een functievector aanwezig is in de invoergegevensset.

Uitzonderingsberichten
Gebruikersfuncties of/en items zijn vereist, maar niet opgegeven.

Fout 0056

Uitzondering treedt op als de kolommen die u voor een bewerking hebt geselecteerd, in strijd zijn met de vereisten.

Deze fout in Azure Machine Learning treedt op wanneer u kolommen kiest voor een bewerking waarvoor de kolom van een bepaald gegevenstype moet zijn.

Deze fout kan ook optreden als de kolom het juiste gegevenstype is, maar voor het onderdeel dat u gebruikt, moet de kolom ook worden gemarkeerd als een functie, label of categorische kolom.

Oplossing:

Controleer het gegevenstype van de kolommen die momenteel zijn geselecteerd.
Controleer of de geselecteerde kolommen categorisch, label of functiekolommen zijn.
Bekijk het Help-onderwerp voor het onderdeel waarin u de kolomselectie hebt gemaakt om te bepalen of er specifieke vereisten zijn voor het gegevenstype of het kolomgebruik.
Gebruik Metagegevens bewerken om het kolomtype te wijzigen voor de duur van deze bewerking. Zorg ervoor dat u het kolomtype weer wijzigt in de oorspronkelijke waarde, met behulp van een ander exemplaar van Metagegevens bewerken als u dit nodig hebt voor downstreambewerkingen.

Uitzonderingsberichten
Een of meer geselecteerde kolommen bevonden zich niet in een toegestane categorie.
Kolom met de naam {col_name} bevindt zich niet in een toegestane categorie.

Fout 0057

Uitzondering treedt op wanneer u probeert een bestand of blob te maken dat al bestaat.

Deze uitzondering treedt op wanneer u het onderdeel Gegevens exporteren of een ander onderdeel gebruikt om resultaten van een pijplijn in Azure Machine Learning op te slaan in Azure Blob Storage, maar u probeert een bestand of blob te maken dat al bestaat.

Oplossing:

Deze fout wordt alleen weergegeven als u de eigenschap Azure Blob Storage-schrijfmoduseerder hebt ingesteld op Fout. Dit onderdeel genereert standaard een fout als u probeert een gegevensset te schrijven naar een blob die al bestaat.

Open de eigenschappen van het onderdeel en wijzig de schrijfmodus van Azure Blob Storage in Overschrijven.
U kunt ook de naam van een andere doel-blob of -bestand typen en ervoor zorgen dat u een blob opgeeft die nog niet bestaat.

Uitzonderingsberichten
Er bestaat al een bestand of blob.
Het bestand of de blob {file_path} bestaat al.

Fout 0058

Deze fout in Azure Machine Learning treedt op als de gegevensset niet de verwachte labelkolom bevat.

Deze uitzondering kan ook optreden wanneer de opgegeven labelkolom niet overeenkomt met de gegevens of het gegevenstype dat door de cursist wordt verwacht of de verkeerde waarden heeft. Deze uitzondering wordt bijvoorbeeld geproduceerd wanneer u een kolom met een echt waardelabel gebruikt bij het trainen van een binaire classificatie.

Oplossing: De resolutie is afhankelijk van de cursist of trainer die u gebruikt en de gegevenstypen van de kolommen in uw gegevensset. Controleer eerst de vereisten van het machine learning-algoritme of het trainingsonderdeel.

Ga terug naar de invoergegevensset. Controleer of de kolom die u verwacht te behandelen als het label het juiste gegevenstype heeft voor het model dat u maakt.

Controleer de invoer op ontbrekende waarden en verwijder of vervang deze indien nodig.

Voeg indien nodig het onderdeel Metagegevens bewerken toe en zorg ervoor dat de labelkolom is gemarkeerd als een label.

Uitzonderingsberichten
De waarden van de labelkolom en de gescoorde labelkolomwaarden zijn niet vergelijkbaar.
De labelkolom is niet zoals verwacht in {dataset_name}.
De labelkolom is niet zoals verwacht in {dataset_name}, {reason}.
De labelkolom {column_name} wordt niet verwacht in {dataset_name}.
De labelkolom {column_name} wordt niet verwacht in {dataset_name}, {reason}.

Fout 0059

Uitzondering treedt op als een kolomindex die is opgegeven in een kolomkiezer, niet kan worden geparseerd.

Deze fout in Azure Machine Learning treedt op als een kolomindex die is opgegeven bij het gebruik van de kolomkiezer niet kan worden geparseerd. Deze fout wordt weergegeven wanneer de kolomindex een ongeldige indeling heeft die niet kan worden geparseerd.

Oplossing: wijzig de kolomindex om een geldige indexwaarde te gebruiken.

Uitzonderingsberichten
Een of meer opgegeven kolomindexen of indexbereiken kunnen niet worden geparseerd.
De kolomindex of het bereik {column_index_or_range} kan niet worden geparseerd.

Fout 0060

Uitzondering treedt op wanneer een buitenbereikkolombereik wordt opgegeven in een kolomkiezer.

Deze fout in Azure Machine Learning treedt op wanneer een buitenbereikkolombereik wordt opgegeven in de kolomkiezer. U ontvangt deze fout als het kolombereik in de kolomkiezer niet overeenkomt met de kolommen in de gegevensset.

Oplossing: Wijzig het kolombereik in de kolomkiezer zodat deze overeenkomt met de kolommen in de gegevensset.

Uitzonderingsberichten
Ongeldig of niet-bereik van kolomindexbereik opgegeven.
Het kolombereik {column_range} is ongeldig of valt buiten het bereik.

Fout 0061

Uitzondering treedt op wanneer u probeert een rij toe te voegen aan een gegevenstabel met een ander aantal kolommen dan de tabel.

Deze fout in Azure Machine Learning treedt op wanneer u probeert een rij toe te voegen aan een gegevensset met een ander aantal kolommen dan de gegevensset. Deze fout wordt weergegeven als de rij die wordt toegevoegd aan de gegevensset een ander aantal kolommen heeft dan de invoergegevensset. De rij kan niet worden toegevoegd aan de gegevensset als het aantal kolommen anders is.

Oplossing: wijzig de invoergegevensset zodat hetzelfde aantal kolommen wordt toegevoegd als de rij die is toegevoegd, of wijzig de rij die is toegevoegd om hetzelfde aantal kolommen te hebben als de gegevensset.

Uitzonderingsberichten
Alle tabellen moeten hetzelfde aantal kolommen hebben.
Kolommen in segment {chunk_id_1} verschillen met segment {chunk_id_2} met segmentgrootte: {chunk_size}.
Het aantal kolommen in bestand {filename_1} (count={column_count_1}) verschilt van het bestand {filename_2} (count={column_count_2}).

Fout 0062

Er treedt een uitzondering op bij het vergelijken van twee modellen met verschillende typen cursisten.

Deze fout in Azure Machine Learning wordt gegenereerd wanneer metrische evaluatiegegevens voor twee verschillende gegevenssets niet kunnen worden vergeleken. In dit geval is het niet mogelijk om de effectiviteit van de modellen te vergelijken die worden gebruikt om de twee scoregegevenssets te produceren.

Oplossing: Controleer of de gescoorde resultaten worden geproduceerd door hetzelfde type machine learning-model (binaire classificatie, regressie, classificatie van meerdere klassen, aanbeveling, clustering, anomaliedetectie, enzovoort) Alle modellen die u vergelijkt, moeten hetzelfde type leerling hebben.

Uitzonderingsberichten
Alle modellen moeten hetzelfde type leerling hebben.
Er is een incompatibel type cursist: {actual_learner_type}. Verwachte typen cursisten zijn: {expected_learner_type_list}.

Fout 0064

Uitzondering treedt op als de naam of opslagsleutel van het Azure-opslagaccount onjuist is opgegeven.

Deze fout in Azure Machine Learning treedt op als de naam of opslagsleutel van het Azure-opslagaccount onjuist is opgegeven. Deze fout wordt weergegeven als u een onjuiste accountnaam of -wachtwoord invoert voor het opslagaccount. Dit kan gebeuren als u de accountnaam of het wachtwoord handmatig invoert. Dit kan ook gebeuren als het account is verwijderd.

Oplossing: Controleer of de accountnaam en het wachtwoord correct zijn ingevoerd en of het account bestaat.

Uitzonderingsberichten
De naam of opslagsleutel van het Azure-opslagaccount is onjuist.
De naam van het Azure-opslagaccount {account_name} of de opslagsleutel voor de accountnaam is onjuist.

Fout 0065

Uitzondering treedt op als azure-blobnaam onjuist is opgegeven.

Deze fout in Azure Machine Learning treedt op als de Azure-blobnaam onjuist is opgegeven. U ontvangt de foutmelding als:

De blob kan niet worden gevonden in de opgegeven container.

Alleen de container is opgegeven als de bron in een importgegevensaanvraag toen de indeling Excel of CSV was met codering. Samenvoeging van de inhoud van alle blobs in een container is niet toegestaan met deze indelingen.
Een SAS-URI bevat niet de naam van een geldige blob.

Oplossing: Ga opnieuw naar het onderdeel dat de uitzondering genereert. Controleer of de opgegeven blob wel aanwezig is in de container in het opslagaccount en of u met deze machtigingen de blob kunt zien. Controleer of de invoer van de formuliercontainernaam /bestandsnaam is als u Excel of CSV met coderingsindelingen hebt. Controleer of een SAS-URI de naam van een geldige blob bevat.

Uitzonderingsberichten
De naam van de Azure Storage-blob is onjuist.
De Azure Storage-blobnaam {blob_name} is onjuist.
De naam van de Azure Storage-blob met het voorvoegsel {blob_name_prefix} bestaat niet.
Kan geen Azure Storage-blobs vinden onder container {container_name}.
Kan geen Azure Storage-blobs vinden met jokertekenpad {blob_wildcard_path}.

Fout 0066

Uitzondering treedt op als een resource niet kan worden geüpload naar een Azure Blob.

Deze fout in Azure Machine Learning treedt op als een resource niet kan worden geüpload naar een Azure Blob. Beide worden opgeslagen in hetzelfde Azure-opslagaccount als het account dat het invoerbestand bevat.

Oplossing: Ga opnieuw naar het onderdeel. Controleer of de naam van het Azure-account, de opslagsleutel en de container juist zijn en of het account gemachtigd is om naar de container te schrijven.

Uitzonderingsberichten
De resource kan niet worden geüpload naar Azure Storage.
Het bestand {source_path} kan niet worden geüpload naar Azure Storage als {dest_path}.

Fout 0067

Uitzondering treedt op als een gegevensset een ander aantal kolommen heeft dan verwacht.

Deze fout in Azure Machine Learning treedt op als een gegevensset een ander aantal kolommen heeft dan verwacht. Deze fout wordt weergegeven wanneer het aantal kolommen in de gegevensset verschilt van het aantal kolommen dat het onderdeel verwacht tijdens de uitvoering.

Oplossing: wijzig de invoergegevensset of de parameters.

Uitzonderingsberichten
Onverwacht aantal kolommen in de gegevenstabel.
Onverwacht aantal kolommen in de gegevensset {dataset_name}.
Verwachte kolom(en) {expected_column_count}, maar heeft in plaats daarvan {actual_column_count}kolom(en) gevonden.
In de invoergegevensset {dataset_name}, verwachte kolom(en) {expected_column_count}, maar in plaats daarvan {actual_column_count} kolom(en) gevonden.

Fout 0068

Uitzondering treedt op als het opgegeven Hive-script niet juist is.

Deze fout in Azure Machine Learning treedt op als er syntaxisfouten zijn in een Hive QL-script of als de Hive-interpreter een fout tegenkomt tijdens het uitvoeren van de query of het script.

Oplossing:

Het foutbericht van Hive wordt normaal gesproken teruggegeven in het foutenlogboek, zodat u actie kunt ondernemen op basis van de specifieke fout.

Open het onderdeel en inspecteer de query op fouten.
Controleer of de query correct werkt buiten Azure Machine Learning door u aan te melden bij de Hive-console van uw Hadoop-cluster en de query uit te voeren.
Plaats opmerkingen in uw Hive-script op een afzonderlijke regel in plaats van uitvoerbare instructies en opmerkingen in één regel te combineren.

Resources

Zie de volgende artikelen voor hulp bij Hive-query's voor machine learning:

Uitzonderingsberichten
Hive-script is onjuist.

Fout 0069

Uitzondering treedt op als het opgegeven SQL-script niet juist is.

Deze fout in Azure Machine Learning treedt op als het opgegeven SQL-script syntaxisproblemen heeft of als de kolommen of tabellen die in het script zijn opgegeven, ongeldig zijn.

U ontvangt deze fout als de SQL-engine een fout tegenkomt tijdens het uitvoeren van de query of het script. Het SQL-foutbericht wordt normaal gesproken teruggegeven in het foutenlogboek, zodat u actie kunt ondernemen op basis van de specifieke fout.

Oplossing: Ga opnieuw naar het onderdeel en inspecteer de SQL-query op fouten.

Controleer of de query correct werkt buiten Azure Machine Learning door u rechtstreeks aan te melden bij de databaseserver en de query uit te voeren.

Als er een door SQL gegenereerd bericht wordt gerapporteerd door de componentuitzondering, moet u actie ondernemen op basis van de gemelde fout. De foutberichten bevatten bijvoorbeeld soms specifieke richtlijnen voor de waarschijnlijke fout:

Deze kolom of ontbrekende database geeft aan dat u mogelijk een kolomnaam verkeerd hebt getypt. Als u zeker weet dat de kolomnaam juist is, gebruikt u vierkante haken of aanhalingstekens om de kolom-id in te sluiten.
SQL-logische fout bij <SQL-trefwoord>, waarmee wordt aangegeven dat u mogelijk een syntaxisfout hebt vóór het opgegeven trefwoord

Uitzonderingsberichten
SQL-script is onjuist.
SQL-query {sql_query} is niet juist.
SQL-query {sql_query} is niet juist. Uitzonderingsbericht: {exception}.

Fout 0070

Er treedt een uitzondering op bij een poging om toegang te krijgen tot een niet-bestaande Azure-tabel.

Deze fout in Azure Machine Learning treedt op wanneer u probeert toegang te krijgen tot een niet-bestaande Azure-tabel. U ontvangt deze fout als u een tabel opgeeft in Azure Storage, die niet bestaat bij het lezen van of schrijven naar Azure Table Storage. Dit kan gebeuren als u de naam van de gewenste tabel verkeerd typt of als de doelnaam en het opslagtype niet overeenkomen. U wilt bijvoorbeeld lezen uit een tabel, maar in plaats daarvan de naam van een blob invoeren.

Oplossing: Ga opnieuw naar het onderdeel om te controleren of de naam van de tabel juist is.

Uitzonderingsberichten
Azure-tabel bestaat niet.
De Azure-tabel {table_name} bestaat niet.

Fout 0072

Uitzondering treedt op in het geval van verbindingstime-out.

Deze fout in Azure Machine Learning treedt op wanneer er een time-out optreedt voor een verbinding. U ontvangt deze fout als er momenteel verbindingsproblemen zijn met de gegevensbron of het doel, zoals trage internetverbinding, of als de gegevensset groot is en/of de SQL-query om in de gegevens te lezen, ingewikkelde verwerking uitvoert.

Oplossing: Bepaal of er momenteel problemen zijn met trage verbindingen met Azure Storage of internet.

Uitzonderingsberichten
er is een time-out opgetreden voor Verbinding maken ion.

Fout 0073

Uitzondering treedt op als er een fout optreedt tijdens het converteren van een kolom naar een ander type.

Deze fout in Azure Machine Learning treedt op wanneer het niet mogelijk is om een kolom te converteren naar een ander type. U ontvangt deze fout als een onderdeel een bepaald type vereist en het is niet mogelijk om de kolom te converteren naar het nieuwe type.

Oplossing: Wijzig de invoergegevensset zodat de kolom kan worden geconverteerd op basis van de interne uitzondering.

Uitzonderingsberichten
Kan kolom niet converteren.
Kan kolom niet converteren naar {target_type}.

Fout 0075

Uitzondering treedt op wanneer een ongeldige binning-functie wordt gebruikt bij het kwantificeren van een gegevensset.

Deze fout in Azure Machine Learning treedt op wanneer u gegevens probeert te binnen met behulp van een niet-ondersteunde methode of wanneer de parametercombinaties ongeldig zijn.

Oplossing:

Foutafhandeling voor deze gebeurtenis is geïntroduceerd in een eerdere versie van Azure Machine Learning die meer aanpassing van binning-methoden mogelijk maakte. Momenteel zijn alle binning-methoden gebaseerd op een selectie uit een vervolgkeuzelijst, dus technisch gezien is het niet meer mogelijk om deze fout op te halen.

Uitzonderingsberichten
Ongeldige binning-functie gebruikt.

Fout 0077

Uitzondering treedt op wanneer de schrijfmodus van een onbekend blobbestand is doorgegeven.

Deze fout in Azure Machine Learning treedt op als er een ongeldig argument wordt doorgegeven in de specificaties voor een doel of bron van een blobbestand.

Oplossing: In bijna alle onderdelen die gegevens importeren of exporteren van en naar Azure Blob Storage, worden parameterwaarden voor het beheren van de schrijfmodus toegewezen met behulp van een vervolgkeuzelijst. Daarom is het niet mogelijk om een ongeldige waarde door te geven en deze fout mag niet worden weergegeven. Deze fout wordt afgeschaft in een latere release.

Uitzonderingsberichten
Niet-ondersteunde blob-schrijfmodus.
Niet-ondersteunde blob-schrijfmodus: {blob_write_mode}.

Fout 0078

Uitzondering treedt op wanneer de HTTP-optie voor Import Data een 3xx-statuscode ontvangt die aangeeft dat de omleiding wordt aangegeven.

Deze fout in Azure Machine Learning treedt op wanneer de HTTP-optie voor Import Data de statuscode 3xx (301, 302, 304, enzovoort) ontvangt die de omleiding aangeeft. Deze fout wordt weergegeven als u verbinding probeert te maken met een HTTP-bron waarmee de browser wordt omgeleid naar een andere pagina. Om veiligheidsredenen zijn omleidingswebsites niet toegestaan als gegevensbronnen voor Azure Machine Learning.

Oplossing: Als de website een vertrouwde website is, voert u de omgeleide URL rechtstreeks in.

Uitzonderingsberichten
Http-omleiding is niet toegestaan.

Fout 0079

Uitzondering treedt op als de naam van de Azure Storage-container onjuist is opgegeven.

Deze fout in Azure Machine Learning treedt op als de naam van de Azure Storage-container onjuist is opgegeven. Deze fout wordt weergegeven als u niet zowel de container als de naam van de blob (bestand) hebt opgegeven met behulp van de pad naar blob die begint met de containeroptie bij het schrijven naar Azure Blob Storage.

Oplossing: Ga opnieuw naar het onderdeel Gegevens exporteren en controleer of het opgegeven pad naar de blob zowel de container als de bestandsnaam bevat, in de indelingscontainer /bestandsnaam.

Uitzonderingsberichten
De naam van de Azure Storage-container is onjuist.
De naam van de Azure Storage-container {container_name} is onjuist; een containernaam van de indelingscontainer/blob werd verwacht.

Fout 0080

Uitzondering treedt op wanneer kolom met alle ontbrekende waarden niet is toegestaan per onderdeel.

Deze fout in Azure Machine Learning wordt gegenereerd wanneer een of meer van de kolommen die door het onderdeel worden gebruikt, alle ontbrekende waarden bevatten. Als een onderdeel bijvoorbeeld statistische statistische gegevens voor elke kolom rekent, kan het niet worden uitgevoerd op een kolom die geen gegevens bevat. In dergelijke gevallen wordt de uitvoering van onderdelen gestopt met deze uitzondering.

Oplossing: Ga opnieuw naar de invoergegevensset en verwijder kolommen die alle ontbrekende waarden bevatten.

Uitzonderingsberichten
Kolommen met alle ontbrekende waarden zijn niet toegestaan.
Kolom {col_index_or_name} bevat alle waarden die ontbreken.

Fout 0081

Uitzondering treedt op in het PCA-onderdeel als het aantal dimensies dat moet worden verkleind gelijk is aan het aantal functiekolommen in de invoergegevensset, die ten minste één sparse-functiekolom bevat.

Deze fout in Azure Machine Learning wordt geproduceerd als aan de volgende voorwaarden wordt voldaan: (a) de invoergegevensset ten minste één parserende kolom heeft en (b) het uiteindelijke aantal aangevraagde dimensies is hetzelfde als het aantal invoerdimensies.

Oplossing: Overweeg het aantal dimensies in de uitvoer te verminderen tot minder dan het aantal dimensies in de invoer. Dit is gebruikelijk in toepassingen van PCA.

Uitzonderingsberichten
Voor gegevensset met sparse-functiekolommen moet het aantal dimensies kleiner zijn dan het aantal functiekolommen.

Fout 0082

Uitzondering treedt op wanneer een model niet kan worden gedeserialiseerd.

Deze fout in Azure Machine Learning treedt op wanneer een opgeslagen machine learning-model of transformatie niet kan worden geladen door een nieuwere versie van de Azure Machine Learning-runtime als gevolg van een wijziging die fouten veroorzaakt.

Oplossing: De trainingspijplijn die het model of de transformatie heeft geproduceerd, moet opnieuw worden uitgevoerd en het model of de transformatie moet opnieuw worden opgevraagd.

Uitzonderingsberichten
Het model kan niet worden gedeserialiseerd omdat het waarschijnlijk wordt geserialiseerd met een oudere serialisatie-indeling. Het model opnieuw trainen en opnieuw opslaan.

Fout 0083

Uitzondering treedt op als de gegevensset die wordt gebruikt voor training niet kan worden gebruikt voor het concrete type cursist.

Deze fout in Azure Machine Learning wordt gegenereerd wanneer de gegevensset niet compatibel is met de cursist die wordt getraind. De gegevensset kan bijvoorbeeld ten minste één ontbrekende waarde in elke rij bevatten, waardoor de hele gegevensset tijdens de training wordt overgeslagen. In andere gevallen verwachten sommige machine learning-algoritmen zoals anomaliedetectie niet dat labels aanwezig zijn en kunnen deze uitzondering genereren als er labels aanwezig zijn in de gegevensset.

Oplossing: Raadpleeg de documentatie van de cursist die wordt gebruikt om de vereisten voor de invoergegevensset te controleren. Bekijk de kolommen om te zien dat alle vereiste kolommen aanwezig zijn.

Uitzonderingsberichten
De gegevensset die voor de training wordt gebruikt, is ongeldig.
{data_name} bevat ongeldige gegevens voor training.
{data_name} bevat ongeldige gegevens voor training. Type cursist: {learner_type}.
{data_name} bevat ongeldige gegevens voor training. Type cursist: {learner_type}. Reden: {reason}.
Kan de actie {action_name} niet toepassen op trainingsgegevens {data_name}. Reden: {reason}.

Fout 0084

Uitzondering treedt op wanneer scores die zijn geproduceerd op basis van een R-script worden geëvalueerd. Dit wordt momenteel niet ondersteund.

Deze fout in Azure Machine Learning treedt op als u probeert een van de onderdelen te gebruiken voor het evalueren van een model met uitvoer van een R-script dat scores bevat.

Oplossing:

Uitzonderingsberichten
Het evalueren van scores die door custom model worden geproduceerd, wordt momenteel niet ondersteund.

Fout 0085

Uitzondering treedt op wanneer de scriptevaluatie mislukt met een fout.

Deze fout in Azure Machine Learning treedt op wanneer u een aangepast script uitvoert dat syntaxisfouten bevat.

Oplossing: Controleer uw code in een externe editor en controleer op fouten.

Uitzonderingsberichten
Fout tijdens de evaluatie van het script.
De volgende fout is opgetreden tijdens de scriptevaluatie. Bekijk het uitvoerlogboek voor meer informatie: ---------- begin van foutbericht van {script_language} interpreter ---------- {message} ---------- einde van het foutbericht van {script_language} interpreter ----------

Fout 0090

Uitzondering treedt op wanneer het maken van hive-tabellen mislukt.

Deze fout in Azure Machine Learning treedt op wanneer u exportgegevens of een andere optie gebruikt om gegevens op te slaan in een HDInsight-cluster en de opgegeven Hive-tabel niet kan worden gemaakt.

Oplossing: Controleer de naam van het Azure-opslagaccount dat is gekoppeld aan het cluster en controleer of u hetzelfde account gebruikt in de onderdeeleigenschappen.

Uitzonderingsberichten
De Hive-tabel kan niet worden gemaakt. Zorg ervoor dat voor een HDInsight-cluster de naam van het Azure-opslagaccount dat is gekoppeld aan het cluster hetzelfde is als wat wordt doorgegeven via de onderdeelparameter.
Kan de Hive-tabel {table_name} niet maken. Zorg ervoor dat voor een HDInsight-cluster de naam van het Azure-opslagaccount dat is gekoppeld aan het cluster hetzelfde is als wat wordt doorgegeven via de onderdeelparameter.
Kan de Hive-tabel {table_name} niet maken. Zorg ervoor dat voor een HDInsight-cluster de naam van het Azure-opslagaccount dat is gekoppeld aan het cluster {cluster_name} is.

Fout 0102

Gegenereerd wanneer een ZIP-bestand niet kan worden geëxtraheerd.

Deze fout in Azure Machine Learning treedt op wanneer u een zip-pakket importeert met de .zip-extensie, maar het pakket is geen zip-bestand of het bestand gebruikt geen ondersteunde zip-indeling.

Oplossing: Zorg ervoor dat het geselecteerde bestand een geldig ZIP-bestand is en dat het is gecomprimeerd met behulp van een van de ondersteunde compressiealgoritmen.

Als u deze fout krijgt bij het importeren van gegevenssets in gecomprimeerde indeling, controleert u of alle ingesloten bestanden een van de ondersteunde bestandsindelingen gebruiken en de Unicode-indeling hebben.

Lees de gewenste bestanden naar een nieuwe gecomprimeerde gezipte map en probeer het aangepaste onderdeel opnieuw toe te voegen.

Uitzonderingsberichten
Het opgegeven ZIP-bestand heeft niet de juiste indeling.

Fout 0105

Deze fout wordt weergegeven wanneer een onderdeeldefinitiebestand een niet-ondersteund parametertype bevat

Deze fout in Azure Machine Learning wordt gegenereerd wanneer de xml-definitie van een aangepast onderdeel en het type parameter of argument in de definitie niet overeenkomt met een ondersteund type.

Oplossing: Zorg ervoor dat de typeeigenschap van een Arg-element in het xml-definitiebestand voor aangepaste onderdelen een ondersteund type is.

Uitzonderingsberichten
Niet-ondersteund parametertype.
Niet-ondersteund parametertype '{0}' opgegeven.

Fout 0107

Gegenereerd wanneer een onderdeeldefinitiebestand een niet-ondersteund uitvoertype definieert

Deze fout in Azure Machine Learning wordt gegenereerd wanneer het type uitvoerpoort in een xml-definitie van een aangepast onderdeel niet overeenkomt met een ondersteund type.

Oplossing: Zorg ervoor dat de typeeigenschap van een uitvoerelement in het xml-definitiebestand van het aangepaste onderdeel een ondersteund type is.

Uitzonderingsberichten
Niet-ondersteund uitvoertype.
Niet-ondersteund uitvoertype {output_type} opgegeven.

Fout 0125

Gegenereerd wanneer het schema voor meerdere gegevenssets niet overeenkomt.

Oplossing:

Uitzonderingsberichten
Het schema van de gegevensset komt niet overeen.

Fout 0127

Pixelgrootte van afbeelding overschrijdt de toegestane limiet

Deze fout treedt op als u afbeeldingen leest uit een afbeeldingsgegevensset voor classificatie en de afbeeldingen groter zijn dan het model kan verwerken.

Uitzonderingsberichten
De pixelgrootte van de afbeelding overschrijdt de toegestane limiet.
De pixelgrootte van de afbeelding in het bestand {file_path} overschrijdt de toegestane limiet: {size_limit}.

Fout 0128

Het aantal voorwaardelijke waarschijnlijkheden voor categorische kolommen overschrijdt de limiet.

Oplossing:

Uitzonderingsberichten
Het aantal voorwaardelijke waarschijnlijkheden voor categorische kolommen overschrijdt de limiet.
Het aantal voorwaardelijke waarschijnlijkheden voor categorische kolommen overschrijdt de limiet. Kolommen {column_name_or_index_1} en {column_name_or_index_2} zijn het problematische paar.

Fout 0129

Het aantal kolommen in de gegevensset overschrijdt de toegestane limiet.

Oplossing:

Uitzonderingsberichten
Het aantal kolommen in de gegevensset overschrijdt de toegestane limiet.
Het aantal kolommen in de gegevensset in {dataset_name} is overschreden.
Het aantal kolommen in de gegevensset in {dataset_name} overschrijdt de toegestane limiet van {component_name}.
Het aantal kolommen in de gegevensset in {dataset_name} overschrijdt de toegestane limiet {limit_columns_count} van {component_name}.

Fout 0134

Uitzondering treedt op wanneer de labelkolom ontbreekt of onvoldoende aantal gelabelde rijen bevat.

Deze fout treedt op wanneer voor het onderdeel een labelkolom is vereist, maar u er geen hebt opgenomen in de kolomselectie of als er te veel waarden ontbreken in de labelkolom.

Deze fout kan ook optreden wanneer een vorige bewerking de gegevensset wijzigt, zodat er onvoldoende rijen beschikbaar zijn voor een downstreambewerking. Stel dat u een expressie in het onderdeel Partition and Sample gebruikt om een gegevensset te delen door waarden. Als er geen overeenkomsten voor uw expressie worden gevonden, is een van de gegevenssets die het gevolg zijn van de partitie leeg.

Oplossing:

Als u een labelkolom in de kolomselectie opneemt, maar deze niet wordt herkend, gebruikt u het onderdeel Metagegevens bewerken om deze als labelkolom te markeren.

Vervolgens kunt u het onderdeel Clean Missing Data gebruiken om rijen met ontbrekende waarden in de labelkolom te verwijderen.

Controleer uw invoergegevenssets om ervoor te zorgen dat ze geldige gegevens bevatten en voldoende rijen om te voldoen aan de vereisten van de bewerking. Veel algoritmen genereren een foutbericht als ze een minimumaantal gegevensrijen nodig hebben, maar de gegevens bevatten slechts een paar rijen of slechts een koptekst.

Uitzonderingsberichten
Uitzondering treedt op wanneer de labelkolom ontbreekt of onvoldoende aantal gelabelde rijen bevat.
Uitzondering treedt op wanneer de labelkolom ontbreekt of minder dan {required_rows_count} gelabelde rijen bevat.
Er treedt een uitzondering op wanneer de labelkolom in de gegevensset {dataset_name} ontbreekt of minder dan {required_rows_count} gelabelde rijen bevat.

Fout 0138

Het geheugen is uitgeput en kan het uitvoeren van het onderdeel niet voltooien. Het verminderen van de gegevensset kan helpen om het probleem te verhelpen.

Deze fout treedt op wanneer voor het onderdeel dat wordt uitgevoerd meer geheugen is vereist dan beschikbaar is in de Azure-container. Dit kan gebeuren als u met een grote gegevensset werkt en de huidige bewerking niet in het geheugen past.

Oplossing: Als u een grote gegevensset probeert te lezen en de bewerking niet kan worden voltooid, kan downsampling van de gegevensset helpen.

Uitzonderingsberichten
Het geheugen is uitgeput en kan het uitvoeren van het onderdeel niet voltooien.
Het geheugen is uitgeput en kan het uitvoeren van het onderdeel niet voltooien. Details: {details}

Fout 0141

Uitzondering treedt op als het aantal geselecteerde numerieke kolommen en unieke waarden in de categorische en tekenreekskolommen te klein is.

Deze fout in Azure Machine Learning treedt op wanneer er onvoldoende unieke waarden in de geselecteerde kolom zijn om de bewerking uit te voeren.

Oplossing: Sommige bewerkingen voeren statistische bewerkingen uit op functie- en categorische kolommen en als er onvoldoende waarden zijn, kan de bewerking mislukken of een ongeldig resultaat retourneren. Controleer uw gegevensset om te zien hoeveel waarden er zijn in de functie- en labelkolommen en bepaal of de bewerking die u probeert uit te voeren statistisch geldig is.

Als de brongegevensset geldig is, kunt u ook controleren of een upstream-gegevensbewerking of metagegevensbewerking de gegevens heeft gewijzigd en enkele waarden heeft verwijderd.

Als upstream-bewerkingen splitsing, steekproeven of opnieuwamplen bevatten, controleert u of de uitvoer het verwachte aantal rijen en waarden bevat.

Uitzonderingsberichten
Het aantal geselecteerde numerieke kolommen en unieke waarden in de categorische en tekenreekskolommen is te klein.
Het totale aantal geselecteerde numerieke kolommen en unieke waarden in de categorische en tekenreekskolommen (momenteel {actual_num}) moet ten minste {lower_boundary} zijn.

Fout 0154

Uitzondering treedt op wanneer de gebruiker probeert gegevens toe te voegen aan sleutelkolommen met een incompatibel kolomtype.

Uitzonderingsberichten
Sleutelkolomelementtypen zijn niet compatibel.
Sleutelkolomelementtypen zijn niet compatibel. (links: {keys_left}; rechts: {keys_right})

Fout 0155

Uitzondering treedt op wanneer kolomnamen van de gegevensset geen tekenreeks zijn.

Uitzonderingsberichten
De naam van de gegevensframekolom moet een tekenreekstype zijn. Kolomnamen zijn geen tekenreeks.
De naam van de gegevensframekolom moet een tekenreekstype zijn. Kolomnamen {column_names} zijn geen tekenreeks.

Fout 0156

Uitzondering treedt op wanneer het lezen van gegevens uit Azure SQL Database is mislukt.

Uitzonderingsberichten
Kan geen gegevens lezen uit Azure SQL Database.
Kan geen gegevens lezen uit Azure SQL Database: {detailed_message} DB: {database_server_name}:{database_name} Query: {sql_statement}

Fout 0157

Het gegevensarchief is niet gevonden.

Uitzonderingsberichten
Gegevensopslaggegevens zijn ongeldig.
Gegevensopslaggegevens zijn ongeldig. Kan het Azure Machine Learning-gegevensarchief {datastore_name} niet ophalen in werkruimte {workspace_name}.

Fout 0158

Gegenereerd wanneer een transformatiemap ongeldig is.

Uitzonderingsberichten
De opgegeven TransformationDirectory is ongeldig.
TransformationDirectory {arg_name} is ongeldig. Reden: {reason}. Voer het trainingsexperiment opnieuw uit, waarmee het transformatiebestand wordt gegenereerd. Als het trainingsexperiment is verwijderd, maakt u het transformatiebestand opnieuw en slaat u het op.
TransformationDirectory {arg_name} is ongeldig. Reden: {reason}. {troubleshoot_hint}

Fout 0159

Uitzondering treedt op als de map van het onderdeelmodel ongeldig is.

Uitzonderingsberichten
De opgegeven ModelDirectory is ongeldig.
ModelDirectory {arg_name} is ongeldig.
ModelDirectory {arg_name} is ongeldig. Reden: {reason}.
ModelDirectory {arg_name} is ongeldig. Reden: {reason}. {troubleshoot_hint}

Fout 1000

Interne bibliotheek-uitzondering.

Deze fout wordt opgegeven om anders niet-verwerkte interne enginefouten vast te leggen. Daarom kan de oorzaak van deze fout verschillen, afhankelijk van het onderdeel dat de fout heeft gegenereerd.

Voor meer hulp raden we u aan het gedetailleerde bericht te posten dat de fout bij het Azure Machine Learning-forum begeleidt, samen met een beschrijving van het scenario, inclusief de gegevens die als invoer worden gebruikt. Deze feedback helpt ons bij het prioriteren van fouten en het identificeren van de belangrijkste problemen voor verder werk.

Uitzonderingsberichten
Bibliotheek-uitzondering.
Bibliotheek-uitzondering: {exception}.
Onbekende bibliotheek-uitzondering: {exception}. {customer_support_guidance}.

Python Script-onderdeel uitvoeren

Zoek in azureml_main in 70_driver_logs van het onderdeel Python-script uitvoeren en u kunt zien welke regel is opgetreden. Bijvoorbeeld: 'Bestand '/tmp/tmp01_ID/user_script.py', regel 17, in azureml_main' geeft aan dat de fout is opgetreden in de 17 regel van uw Python-script.

Gedistribueerde training

Momenteel ondersteunt ontwerper gedistribueerde training voor het onderdeel PyTorch-model trainen.

Als het onderdeel gedistribueerde training mislukt zonder 70_driver logboeken, kunt u controleren op 70_mpi_log foutdetails.

In het volgende voorbeeld ziet u dat het aantal knooppunten van uitvoeringsinstellingen groter is dan het beschikbare aantal knooppunten van het rekencluster.

In het volgende voorbeeld ziet u dat het aantal processen per knooppunt groter is dan de verwerkingseenheid van de berekening.

Anders kunt u voor elk proces controleren 70_driver_log . 70_driver_log_0 is bedoeld voor het hoofdproces.