Exceções e códigos de erro para o designer

Este artigo descreve as mensagens de erro e os códigos de exceção no designer do Azure Machine Learning para ajudá-lo a solucionar problemas de seus pipelines de aprendizado de máquina.

Você pode encontrar a mensagem de erro no designer seguindo estas etapas:

• Selecione o componente com falha, vá para a guia Outputs+logs , você pode encontrar o log detalhado no arquivo 70_driver_log.txt na categoria azureml-logs .

• Para erro de componente detalhado, você pode verificá-lo no error_info.json em module_statistics categoria.

A seguir estão os códigos de erro de componentes no designer.

Erro 0001

A exceção ocorre se uma ou mais colunas especificadas do conjunto de dados não puderem ser encontradas.

Você receberá esse erro se uma seleção de coluna for feita para um componente, mas a(s) coluna(s) selecionada(s) não existir(em) no conjunto de dados de entrada. Esse erro pode ocorrer se você tiver digitado manualmente um nome de coluna ou se o seletor de coluna tiver fornecido uma coluna sugerida que não existia em seu conjunto de dados quando você executou o pipeline.

Resolução: revisite o componente que lança essa exceção e valide se o nome ou nomes da coluna estão corretos e se todas as colunas referenciadas existem.

Mensagens de exceção
Uma ou mais colunas especificadas não foram encontradas.
Coluna com nome ou índice "{column_id}" não encontrado.
A coluna com nome ou índice "{column_id}" não existe em "{arg_name_missing_column}".
A coluna com nome ou índice "{column_id}" não existe em "{arg_name_missing_column}", mas existe em "{arg_name_has_column}".
Colunas com nome ou índice "{column_names}" não encontradas.
Colunas com nome ou índice "{column_names}" não existe em "{arg_name_missing_column}".
Colunas com nome ou índice "{column_names}" não existe em "{arg_name_missing_column}", mas existe em "{arg_name_has_column}".

Erro 0002

A exceção ocorre se um ou mais parâmetros não puderem ser analisados ou convertidos do tipo especificado em exigido pelo tipo de método de destino.

Esse erro ocorre no Aprendizado de Máquina do Azure quando você especifica um parâmetro como entrada e o tipo de valor é diferente do tipo esperado e a conversão implícita não pode ser executada.

Resolução: verifique os requisitos do componente e determine qual tipo de valor é necessário (string, inteiro, duplo, etc.)

Mensagens de exceção
Falha ao analisar o parâmetro.
Falha ao analisar o parâmetro "{arg_name_or_column}".
Falha ao converter o parâmetro "{arg_name_or_column}" para "{to_type}".
Falha ao converter o parâmetro "{arg_name_or_column}" de "{from_type}" para "{to_type}".
Falha ao converter o valor do parâmetro "{arg_name_or_column}" "{arg_value}" de "{from_type}" para "{to_type}".
Falha ao converter o valor "{arg_value}" na coluna "{arg_name_or_column}" de "{from_type}" para "{to_type}" com o uso do formato "{fmt}" fornecido.

Erro 0003

A exceção ocorre se uma ou mais entradas forem nulas ou vazias.

Você receberá esse erro no Aprendizado de Máquina do Azure se quaisquer entradas ou parâmetros para um componente forem nulos ou vazios. Esse erro pode ocorrer, por exemplo, quando você não digitou nenhum valor para um parâmetro. Isso também pode acontecer se você escolher um conjunto de dados que tenha valores ausentes ou um conjunto de dados vazio.

Resolução:

• Abra o componente que produziu a exceção e verifique se todas as entradas foram especificadas. Certifique-se de que todas as entradas necessárias sejam especificadas.
• Verifique se os dados carregados do armazenamento do Azure estão acessíveis e se o nome da conta ou a chave não foi alterado.
• Verifique os dados de entrada para valores ausentes ou nulos.
• Se estiver usando uma consulta em uma fonte de dados, verifique se os dados estão sendo retornados no formato esperado.
• Verifique se há erros de digitação ou outras alterações na especificação dos dados.

Mensagens de exceção
Uma ou mais entradas são nulas ou vazias.
A entrada "{name}" é nula ou vazia.

Erro 0004

A exceção ocorre se o parâmetro for menor ou igual ao valor específico.

Você receberá esse erro no Aprendizado de Máquina do Azure se o parâmetro na mensagem estiver abaixo de um valor de limite necessário para o componente processar os dados.

Resolução: revisite o componente que lança a exceção e modifique o parâmetro para ser maior do que o valor especificado.

Mensagens de exceção
O parâmetro deve ser maior do que o valor limite.
O valor do parâmetro "{arg_name}" deve ser maior que {lower_boundary}.
O parâmetro "{arg_name}" tem o valor "{atual_value}" que deve ser maior que {lower_boundary}.

Erro 0005

A exceção ocorre se o parâmetro for menor que um valor específico.

Você receberá esse erro no Aprendizado de Máquina do Azure se o parâmetro na mensagem estiver abaixo ou igual a um valor de limite necessário para o componente processar os dados.

Resolução: revisite o componente que lança a exceção e modifique o parâmetro para ser maior ou igual ao valor especificado.

Mensagens de exceção
O parâmetro deve ser maior ou igual ao valor limite.
O valor do parâmetro "{arg_name}" deve ser maior ou igual a {lower_boundary}.
O parâmetro "{arg_name}" tem o valor "{value}" que deve ser maior ou igual a {lower_boundary}.

Erro 0006

A exceção ocorre se o parâmetro for maior ou igual ao valor especificado.

Você receberá esse erro no Aprendizado de Máquina do Azure se o parâmetro na mensagem for maior ou igual a um valor de limite necessário para o componente processar os dados.

Resolução: revisite o componente que lança a exceção e modifique o parâmetro para ser menor do que o valor especificado.

Mensagens de exceção
Incompatibilidade de parâmetros. Um dos parâmetros deve ser menor do que outro.
O valor do parâmetro "{arg_name}" deve ser menor que o valor do parâmetro "{upper_boundary_parameter_name}".
O parâmetro "{arg_name}" tem o valor "{value}" que deve ser menor que {upper_boundary_parameter_name}.

Erro 0007

A exceção ocorre se o parâmetro for maior que um valor específico.

Você receberá esse erro no Aprendizado de Máquina do Azure se, nas propriedades do componente, especificar um valor maior do que o permitido. Por exemplo, você pode especificar um dado que esteja fora do intervalo de datas suportadas ou indicar que cinco colunas sejam usadas quando apenas três colunas estiverem disponíveis.

Você também pode ver esse erro se estiver especificando dois conjuntos de dados que precisam corresponder de alguma forma. Por exemplo, se você estiver renomeando colunas e especificar as colunas por índice, o número de nomes fornecidos deverá corresponder ao número de índices de coluna. Outro exemplo pode ser uma operação matemática que usa duas colunas, onde as colunas devem ter o mesmo número de linhas.

Resolução:

• Abra o componente em questão e revise todas as configurações de propriedade numérica.
• Certifique-se de que todos os valores de parâmetro estejam dentro do intervalo de valores suportado para essa propriedade.
• Se o componente tiver várias entradas, certifique-se de que as entradas sejam do mesmo tamanho.

• Verifique se o conjunto de dados ou a fonte de dados foi alterado. Às vezes, um valor que funcionou com uma versão anterior dos dados falhará depois que o número de colunas, os tipos de dados de coluna ou o tamanho dos dados forem alterados.

Mensagens de exceção
Incompatibilidade de parâmetros. Um dos parâmetros deve ser menor ou igual a outro.
O valor do parâmetro "{arg_name}" deve ser menor ou igual ao valor do parâmetro "{upper_boundary_parameter_name}".
O parâmetro "{arg_name}" tem o valor "{atual_value}" que deve ser menor ou igual a {upper_boundary}.
O valor do parâmetro "{arg_name}" {atual_value} deve ser menor ou igual ao valor do parâmetro "{upper_boundary_parameter_name}" {upper_boundary}.
O parâmetro "{arg_name}" value {atual_value} deve ser menor ou igual a {upper_boundary_meaning} value {upper_boundary}.

Erro 0008

A exceção ocorre se o parâmetro não estiver no intervalo.

Você receberá esse erro no Aprendizado de Máquina do Azure se o parâmetro na mensagem estiver fora dos limites necessários para o componente processar os dados.

Por exemplo, esse erro é exibido se você tentar usar Adicionar linhas para combinar dois conjuntos de dados que têm um número diferente de colunas.

Resolução: revisite o componente que lança a exceção e modifique o parâmetro para que fique dentro do intervalo especificado.

Mensagens de exceção
O valor do parâmetro não está no intervalo especificado.
O valor do parâmetro "{arg_name}" não está no intervalo.
O valor do parâmetro "{arg_name}" deve estar no intervalo de [{lower_boundary}, {upper_boundary}].
O valor do parâmetro "{arg_name}" não está no intervalo. {razão}

Erro 0009

A exceção ocorre quando o nome da conta de armazenamento do Azure ou o nome do contêiner é especificado incorretamente.

Este erro ocorre no designer do Azure Machine Learning quando você especifica parâmetros para uma conta de armazenamento do Azure, mas o nome ou a senha não podem ser resolvidos. Erros em senhas ou nomes de contas podem acontecer por vários motivos:

• A conta é do tipo errado. Alguns novos tipos de conta não são suportados para uso com o designer de Machine Learning. Consulte Importar dados para obter detalhes.
• Você inseriu o nome da conta incorreto
• A conta não existe mais
• A senha da conta de armazenamento está errada ou foi alterada
• Você não especificou o nome do contêiner ou o contêiner não existe
• Você não especificou completamente o caminho do arquivo (caminho para o blob)

Resolução:

Esses problemas geralmente ocorrem quando você tenta inserir manualmente o nome da conta, senha ou caminho do contêiner. Recomendamos que você use o novo assistente para o componente Importar dados , que ajuda a pesquisar e verificar nomes.

Verifique também se a conta, contêiner ou blob foi excluído. Use outro utilitário de armazenamento do Azure para verificar se o nome da conta e a senha foram inseridos corretamente e se o contêiner existe.

Alguns tipos de conta mais recentes não são suportados pelo Azure Machine Learning. Por exemplo, os novos tipos de armazenamento "quente" ou "frio" não podem ser usados para aprendizado de máquina. As contas de armazenamento clássicas e as contas de armazenamento criadas como "Uso geral" funcionam bem.

Se o caminho completo para um blob foi especificado, verifique se o caminho está especificado como container/blobname e se o contêiner e o blob existem na conta.

O caminho não deve conter uma barra à esquerda. Por exemplo , /container/blob está incorreto e deve ser inserido como container/blob.

Mensagens de exceção
O nome da conta de armazenamento do Azure ou o nome do contêiner está incorreto.
O nome da conta de armazenamento do Azure "{account_name}" ou o nome do contêiner "{container_name}" está incorreto; Um nome de contêiner do contêiner/blob de formato era esperado.

Erro 0010

A exceção ocorre se os conjuntos de dados de entrada tiverem nomes de coluna que deveriam corresponder, mas não correspondem.

Você receberá esse erro no Aprendizado de Máquina do Azure se o índice de coluna na mensagem tiver nomes de coluna diferentes nos dois conjuntos de dados de entrada.

Resolução: use Editar metadados ou modifique o conjunto de dados original para ter o mesmo nome de coluna para o índice de coluna especificado.

Mensagens de exceção
As colunas com índice correspondente nos conjuntos de dados de entrada têm nomes diferentes.
Os nomes das colunas não são os mesmos para a coluna {col_index} (baseada em zero) dos conjuntos de dados de entrada ({dataset1} e {dataset2}, respectivamente).

Erro 0011

A exceção ocorre se o argumento do conjunto de colunas passado não se aplicar a nenhuma das colunas do conjunto de dados.

Você receberá esse erro no Aprendizado de Máquina do Azure se a seleção de coluna especificada não corresponder a nenhuma das colunas no conjunto de dados fornecido.

Você também pode obter esse erro se não tiver selecionado uma coluna e pelo menos uma coluna for necessária para que o componente funcione.

Resolução: modifique a seleção de colunas no componente para que ela seja aplicada às colunas do conjunto de dados.

Se o componente exigir que você selecione uma coluna específica, como uma coluna de rótulo, verifique se a coluna da direita está selecionada.

Se colunas inadequadas forem selecionadas, remova-as e execute novamente o pipeline.

Mensagens de exceção
O conjunto de colunas especificado não se aplica a nenhuma das colunas do conjunto de dados.
O conjunto de colunas especificado "{column_set}" não se aplica a nenhuma das colunas do conjunto de dados.

Erro 0012

A exceção ocorre se a instância da classe não puder ser criada com um conjunto de argumentos passado.

Resolução: este erro não pode ser acionado pelo usuário e será preterido em uma versão futura.

Mensagens de exceção
Modelo não treinado, por favor, treine o modelo primeiro.
Modelo não treinado ({arg_name}), use modelo treinado.

Erro 0013

A exceção ocorre se o aluno passado para o componente for um tipo inválido.

Este erro ocorre sempre que um modelo treinado é incompatível com o componente de pontuação conectado.

Resolução:

Determinar o tipo de aluno que é produzido pela componente de formação e determinar a componente de pontuação que é apropriada para o/a aluno/a.

Se o modelo foi treinado usando qualquer um dos componentes de treinamento especializado, conecte o modelo treinado apenas ao componente de pontuação especializado correspondente.

Tipo de modelo	Componente de formação	Componente de pontuação
qualquer classificador	Modelo de comboio	Modelo de pontuação
qualquer modelo de regressão	Modelo de comboio	Modelo de pontuação

Mensagens de exceção
Aluno de tipo inválido é aprovado.
O aluno "{arg_name}" tem um tipo inválido.
O aluno "{arg_name}" tem um tipo inválido "{learner_type}".
Aluno de tipo inválido é aprovado. Mensagem de exceção: {exception_message}

Erro 0014

A exceção ocorre se a contagem de valores exclusivos da coluna for maior do que o permitido.

Este erro ocorre quando uma coluna contém muitos valores exclusivos, como uma coluna ID ou coluna de texto. Você pode ver esse erro se especificar que uma coluna seja tratada como dados categóricos, mas há muitos valores exclusivos na coluna para permitir que o processamento seja concluído. Você também pode ver esse erro se houver uma incompatibilidade entre o número de valores exclusivos em duas entradas.

O erro de valores exclusivos é maior do que o permitido ocorrerá se atender às duas condições a seguir:

• Mais de 97% das instâncias de uma coluna são valores exclusivos, o que significa que quase todas as categorias são diferentes umas das outras.
• Uma coluna tem mais de 1000 valores exclusivos.

Resolução:

Abra o componente que gerou o erro e identifique as colunas usadas como entradas. Para alguns componentes, você pode clicar com o botão direito do mouse na entrada do conjunto de dados e selecionar Visualizar para obter estatísticas em colunas individuais, incluindo o número de valores exclusivos e sua distribuição.

Para colunas que você pretende usar para agrupamento ou categorização, execute etapas para reduzir o número de valores exclusivos em colunas. Você pode reduzir de maneiras diferentes, dependendo do tipo de dados da coluna.

Para colunas de ID que não são recursos significativos durante o treinamento de um modelo, você pode usar Editar metadados para marcar essa coluna como recurso Limpar e ela não será usada durante o treinamento de um modelo.

Para colunas de texto, você pode usar Hashing de recursos ou Extrair recursos de N-Gram do componente Texto para pré-processar colunas de texto.

Gorjeta

Não consegue encontrar uma resolução que corresponda ao seu cenário? Você pode fornecer comentários sobre este tópico que incluem o nome do componente que gerou o erro e o tipo de dados e cardinalidade da coluna. Usaremos as informações para fornecer etapas de solução de problemas mais direcionadas para cenários comuns.

Mensagens de exceção
A quantidade de valores exclusivos da coluna é maior do que o permitido.
Número de valores exclusivos na coluna: "{column_name}" é maior do que o permitido.
Número de valores únicos na coluna: "{column_name}" excede a contagem de tuplas de {limitation}.

Erro 0015

A exceção ocorre se a conexão do banco de dados tiver falhado.

Você receberá esse erro se inserir um nome de conta SQL incorreto, senha, servidor de banco de dados ou nome de banco de dados, ou se uma conexão com o banco de dados não puder ser estabelecida devido a problemas com o banco de dados ou servidor.

Resolução: verifique se o nome da conta, a senha, o servidor de banco de dados e o banco de dados foram inseridos corretamente e se a conta especificada tem o nível correto de permissões. Verifique se o banco de dados está acessível no momento.

Mensagens de exceção
Erro ao estabelecer conexão com o banco de dados.
Erro ao fazer conexão com o banco de dados: {connection_str}.

Erro 0016

A exceção ocorre se os conjuntos de dados de entrada passados para o componente tiverem tipos de coluna compatíveis, mas não o fizerem.

Você receberá esse erro no Aprendizado de Máquina do Azure se os tipos de colunas passadas em dois ou mais conjuntos de dados não forem compatíveis entre si.

Resolução: use Editar metadados ou modifique o conjunto de dados de entrada original para garantir que os tipos das colunas sejam compatíveis.

Mensagens de exceção
As colunas com o índice correspondente nos conjuntos de dados de entrada têm tipos incompatíveis.
As colunas '{first_col_names}' são incompatíveis entre os dados do comboio e do ensaio.
As colunas '{first_col_names}' e '{second_col_names}' são incompatíveis.
Os tipos de elementos de coluna não são compatíveis com a coluna '{first_col_names}' (baseada em zero) de conjuntos de dados de entrada ({first_dataset_names} e {second_dataset_names}, respectivamente).

Erro 0017

A exceção ocorre se uma coluna selecionada usar um tipo de dados que não é suportado pelo componente atual.

Por exemplo, você pode receber esse erro no Aprendizado de Máquina do Azure se sua seleção de coluna incluir uma coluna com um tipo de dados que não pode ser processado pelo componente, como uma coluna de cadeia de caracteres para uma operação matemática ou uma coluna de pontuação onde uma coluna de recurso categórico é necessária.

Resolução:

1. Identifique a coluna que é o problema.
2. Analise os requisitos do componente.
3. Modifique a coluna para torná-la conforme aos requisitos. Talvez seja necessário usar vários dos seguintes componentes para fazer alterações, dependendo da coluna e da conversão que você está tentando:
   • Use Editar metadados para alterar o tipo de dados das colunas ou para alterar o uso da coluna de recurso para numérico, categórico para não categórico e assim por diante.

4. Como último recurso, talvez seja necessário modificar o conjunto de dados de entrada original.

Gorjeta

Não consegue encontrar uma resolução que corresponda ao seu cenário? Você pode fornecer comentários sobre este tópico que incluem o nome do componente que gerou o erro e o tipo de dados e cardinalidade da coluna. Usaremos as informações para fornecer etapas de solução de problemas mais direcionadas para cenários comuns.

Mensagens de exceção
Não é possível processar a coluna do tipo atual. O tipo não é suportado pelo componente.
Não é possível processar a coluna do tipo {col_type}. O tipo não é suportado pelo componente.
Não é possível processar a coluna "{col_name}" do tipo {col_type}. O tipo não é suportado pelo componente.
Não é possível processar a coluna "{col_name}" do tipo {col_type}. O tipo não é suportado pelo componente. Nome do parâmetro: {arg_name}.

Erro 0018

A exceção ocorre se o conjunto de dados de entrada não for válido.

Resolução: esse erro no Aprendizado de Máquina do Azure pode aparecer em muitos contextos, portanto, não há uma única resolução. Em geral, o erro indica que os dados fornecidos como entrada para um componente têm o número errado de colunas ou que o tipo de dados não corresponde aos requisitos do componente. Por exemplo:

• O componente requer uma coluna de rótulo, mas nenhuma coluna está marcada como um rótulo ou você ainda não selecionou uma coluna de rótulo.

• O componente requer que os dados sejam categóricos, mas seus dados são numéricos.

• Os dados estão no formato errado.

• Os dados importados contêm caracteres inválidos, valores incorretos ou valores fora do intervalo.

• A coluna está vazia ou contém muitos valores ausentes.

Para determinar os requisitos e como seus dados poderiam, revise o tópico de ajuda para o componente que consumirá o conjunto de dados como entrada.

.

Mensagens de exceção
O conjunto de dados não é válido.
{dataset1} contém dados inválidos.
{dataset1} e {dataset2} devem ser consistentes em colunas.
{dataset1} contém dados inválidos, {reason}.
{dataset1} contém {invalid_data_category}. {troubleshoot_hint}
{dataset1} não é válido, {reason}. {troubleshoot_hint}

Erro 0019

A exceção ocorre se se espera que a coluna contenha valores classificados, mas não contém.

Você receberá esse erro no Aprendizado de Máquina do Azure se os valores de coluna especificados estiverem fora de ordem.

Resolução: classifique os valores da coluna modificando manualmente o conjunto de dados de entrada e execute novamente o componente.

Mensagens de exceção
Os valores na coluna não são classificados.
Os valores na coluna "{col_index}" não são classificados.
Os valores na coluna "{col_index}" do conjunto de dados "{dataset}" não são classificados.
Os valores no argumento "{arg_name}" não são classificados na ordem "{sorting_order}".

Erro 0020

A exceção ocorre se o número de colunas em alguns dos conjuntos de dados passados para o componente for muito pequeno.

Você receberá esse erro no Aprendizado de Máquina do Azure se não tiverem sido selecionadas colunas suficientes para um componente.

Resolução: revisite o componente e verifique se o seletor de colunas tem o número correto de colunas selecionadas.

Mensagens de exceção
O número de colunas no conjunto de dados de entrada é menor do que o mínimo permitido.
O número de colunas no conjunto de dados de entrada "{arg_name}" é inferior ao mínimo permitido.
O número de colunas no conjunto de dados de entrada é inferior ao mínimo permitido de {required_columns_count} coluna(s).
O número de colunas no conjunto de dados de entrada "{arg_name}" é inferior ao mínimo permitido de {required_columns_count} coluna(s).

Erro 0021

A exceção ocorre se o número de linhas em alguns dos conjuntos de dados passados para o componente for muito pequeno.

Este erro é visto no Azure Machine Learning quando não há linhas suficientes no conjunto de dados para executar a operação especificada. Por exemplo, você pode ver esse erro se o conjunto de dados de entrada estiver vazio ou se estiver tentando executar uma operação que exija algum número mínimo de linhas para ser válida. Tais operações podem incluir (mas não estão limitadas a) agrupamento ou classificação com base em métodos estatísticos, certos tipos de encadernação e aprendizagem com contagens.

Resolução:

• Abra o componente que retornou o erro e verifique o conjunto de dados de entrada e as propriedades do componente.
• Verifique se o conjunto de dados de entrada não está vazio e se há linhas de dados suficientes para atender aos requisitos descritos na ajuda do componente.
• Se os dados forem carregados de uma fonte externa, verifique se a fonte de dados está disponível e se não há nenhum erro ou alteração na definição de dados que faça com que o processo de importação obtenha menos linhas.
• Se você estiver executando uma operação nos dados a montante do componente que possa afetar o tipo de dados ou o número de valores, como operações de limpeza, divisão ou junção, verifique as saídas dessas operações para determinar o número de linhas retornadas.

Mensagens de exceção
O número de linhas no conjunto de dados de entrada é menor do que o mínimo permitido.
O número de linhas no conjunto de dados de entrada é menor do que o mínimo permitido de {required_rows_count} linha(s).
O número de linhas no conjunto de dados de entrada é menor do que o mínimo permitido de {required_rows_count} linha(s). {razão}
O número de linhas no conjunto de dados de entrada "{arg_name}" é inferior ao mínimo permitido de {required_rows_count} linha(s).
O número de linhas no conjunto de dados de entrada "{arg_name}" é {atual_rows_count}, menos do que o mínimo permitido de {required_rows_count} linha(s).
O número de linhas "{row_type}" no conjunto de dados de entrada "{arg_name}" é {atual_rows_count}, menos do que o mínimo permitido de {required_rows_count} linha(s).

Erro 0022

A exceção ocorre se o número de colunas selecionadas no conjunto de dados de entrada não for igual ao número esperado.

Este erro no Azure Machine Learning pode ocorrer quando o componente ou operação downstream requer um número específico de colunas ou entradas e você forneceu poucas ou muitas colunas ou entradas. Por exemplo:

• Você especifica uma única coluna de rótulo ou coluna de chave e seleciona acidentalmente várias colunas.

• Você está renomeando colunas, mas forneceu mais ou menos nomes do que colunas.

• O número de colunas na origem ou no destino foi alterado ou não corresponde ao número de colunas usadas pelo componente.

• Você forneceu uma lista de valores separados por vírgulas para entradas, mas o número de valores não corresponde ou várias entradas não são suportadas.

Resolução: revisite o componente e verifique a seleção de colunas para garantir que o número correto de colunas esteja selecionado. Verificar as saídas dos componentes a montante e os requisitos das operações a jusante.

Se você usou uma das opções de seleção de coluna que pode selecionar várias colunas (índices de coluna, todos os recursos, todos os números, etc.), valide o número exato de colunas retornadas pela seleção.

Verifique se o número ou tipo de colunas a montante não foi alterado.

Se você estiver usando um conjunto de dados de recomendação para treinar um modelo, lembre-se de que o recomendado espera um número limitado de colunas, correspondentes a pares de item de usuário ou classificações de item de usuário. Remova colunas adicionais antes de treinar o modelo ou dividir conjuntos de dados de recomendação. Para obter mais informações, consulte Dividir dados.

Mensagens de exceção
O número de colunas selecionadas no conjunto de dados de entrada não é igual ao número esperado.
O número de colunas selecionadas no conjunto de dados de entrada não é igual a {expected_col_count}.
O padrão de seleção de colunas "{selection_pattern_friendly_name}" fornece o número de colunas selecionadas no conjunto de dados de entrada não igual a {expected_col_count}.
Espera-se que o padrão de seleção de coluna "{selection_pattern_friendly_name}" forneça {expected_col_count} coluna(s) selecionada(s) no conjunto de dados de entrada, mas {selected_col_count} coluna(s) é/são realmente fornecidas.

Erro 0023

A exceção ocorre se a coluna de destino do conjunto de dados de entrada não for válida para o componente do instrutor atual.

Este erro no Azure Machine Learning ocorre se a coluna de destino (conforme selecionada nos parâmetros do componente) não for do tipo de dados válido, contiver todos os valores ausentes ou não tiver sido categórica conforme o esperado.

Resolução: revisite a entrada do componente para inspecionar o conteúdo da coluna de rótulo/destino. Certifique-se de que não tem todos os valores em falta. Se o componente estiver esperando que a coluna de destino seja categórica, verifique se há mais de um valor distinto na coluna de destino.

Mensagens de exceção
O conjunto de dados de entrada tem coluna de destino sem suporte.
O conjunto de dados de entrada tem coluna de destino não suportada "{column_index}".
O conjunto de dados de entrada tem coluna de destino não suportada "{column_index}" para aluno do tipo {learner_type}.

Erro 0024

A exceção ocorre se o conjunto de dados não contiver uma coluna de rótulo.

Este erro no Azure Machine Learning ocorre quando o componente requer uma coluna de rótulo e o conjunto de dados não tem uma coluna de rótulo. Por exemplo, a avaliação de um conjunto de dados pontuado geralmente requer que uma coluna de rótulo esteja presente para calcular métricas de precisão.

Também pode acontecer que uma coluna de rótulo esteja presente no conjunto de dados, mas não seja detetada corretamente pelo Aprendizado de Máquina do Azure.

Resolução:

• Abra o componente que gerou o erro e determine se uma coluna de rótulo está presente. O nome ou o tipo de dados da coluna não importa, desde que a coluna contenha um único resultado (ou variável dependente) que você está tentando prever. Se você não tiver certeza de qual coluna tem o rótulo, procure um nome genérico, como Classe ou Destino.
• Se o conjunto de dados não incluir uma coluna de rótulo, é possível que a coluna de rótulo tenha sido removida explícita ou acidentalmente a montante. Também pode ser que o conjunto de dados não seja a saída de um componente de pontuação a montante.
• Para marcar explicitamente a coluna como a coluna de rótulo, adicione o componente Editar metadados e conecte o conjunto de dados. Selecione apenas a coluna de rótulo e selecione Rótulo na lista suspensa Campos .
• Se a coluna errada for escolhida como rótulo, você poderá selecionar Limpar rótulo nos Campos para corrigir os metadados na coluna.

Mensagens de exceção
Não há coluna de rótulo no conjunto de dados.
Não há coluna de rótulo em "{dataset_name}".

Erro 0025

A exceção ocorre se o conjunto de dados não contiver uma coluna de pontuação.

Este erro no Azure Machine Learning ocorre se a entrada para o modelo de avaliação não contiver colunas de pontuação válidas. Por exemplo, o usuário tenta avaliar um conjunto de dados antes que ele seja pontuado com um modelo treinado correto, ou a coluna de pontuação foi explicitamente descartada a montante. Essa exceção também ocorre se as colunas de pontuação nos dois conjuntos de dados forem incompatíveis. Por exemplo, você pode estar tentando comparar a precisão de um regressor linear com um classificador binário.

Resolução: revisite a entrada no modelo de avaliação e examine se ela contém uma ou mais colunas de pontuação. Caso contrário, o conjunto de dados não foi pontuado ou as colunas de pontuação foram descartadas em um componente upstream.

Mensagens de exceção
Não há coluna de pontuação no conjunto de dados.
Não há coluna de pontuação em "{dataset_name}".
Não há coluna de pontuação em "{dataset_name}" que seja produzida por um "{learner_type}". Pontuar o conjunto de dados usando o tipo correto de aluno.

Erro 0026

A exceção ocorre se colunas com o mesmo nome não forem permitidas.

Este erro no Azure Machine Learning ocorre se várias colunas tiverem o mesmo nome. Uma maneira de receber esse erro é se o conjunto de dados não tiver uma linha de cabeçalho e os nomes das colunas forem atribuídos automaticamente: Col0, Col1, etc.

Resolução: se as colunas tiverem o mesmo nome, insira um componente Editar metadados entre o conjunto de dados de entrada e o componente. Use o seletor de colunas em Editar metadados para selecionar colunas a serem renomeadas, digitando os novos nomes na caixa de texto Novos nomes de colunas.

Mensagens de exceção
Nomes de colunas iguais são especificados em argumentos. Nomes de colunas iguais não são permitidos por componente.
Não são permitidos nomes de colunas iguais nos argumentos "{arg_name_1}" e "{arg_name_2}". Por favor, especifique nomes diferentes.

Erro 0027

A exceção ocorre no caso em que dois objetos precisam ser do mesmo tamanho, mas não são.

Este é um erro comum no Azure Machine Learning e pode ser causado por muitas condições.

Resolução: não há uma resolução específica. No entanto, você pode verificar se há condições como as seguintes:

• Se você estiver renomeando colunas, verifique se cada lista (as colunas de entrada e a lista de novos nomes) tem o mesmo número de itens.

• Se você estiver unindo ou concatenando dois conjuntos de dados, verifique se eles têm o mesmo esquema.

• Se você estiver unindo dois conjuntos de dados com várias colunas, verifique se as colunas de chave têm o mesmo tipo de dados e selecione a opção Permitir duplicatas e preservar a ordem das colunas na seleção.

Mensagens de exceção
O tamanho dos objetos passados é inconsistente.
O tamanho de "{friendly_name1}" é inconsistente com o tamanho de "{friendly_name2}".

Erro 0028

A exceção ocorre no caso em que o conjunto de colunas contém nomes de colunas duplicados e não é permitido.

Este erro no Azure Machine Learning ocorre quando os nomes das colunas são duplicados; ou seja, não é único.

Resolução: se alguma coluna tiver o mesmo nome, adicione uma instância de Editar metadados entre o conjunto de dados de entrada e o componente que gera o erro. Use o Seletor de Colunas em Editar Metadados para selecionar colunas a serem renomeadas e digite os novos nomes de colunas na caixa de texto Novos nomes de colunas. Se você estiver renomeando várias colunas, verifique se os valores digitados em Novos nomes de coluna são exclusivos.

Mensagens de exceção
O conjunto de colunas contém nome(s) de coluna duplicado(s).
O nome "{duplicated_name}" está duplicado.
O nome "{duplicated_name}" está duplicado em "{arg_name}".
O nome "{duplicated_name}" está duplicado. Detalhes: {details}

Erro 0029

A exceção ocorre no caso em que o URI inválido é passado.

Este erro no Azure Machine Learning ocorre no caso de URI inválido ser passado. Você receberá esse erro se qualquer uma das seguintes condições for verdadeira:

• O URI Público ou SAS fornecido para o Armazenamento de Blobs do Azure para leitura ou gravação contém um erro.

• A janela de tempo para o SAS expirou.

• O URL da Web via fonte HTTP representa um arquivo ou um URI de loopback.

• O URL da Web via HTTP contém um URL formatado incorretamente.

• O URL não pode ser resolvido pela fonte remota.

Resolução: revisite o componente e verifique o formato do URI. Se a fonte de dados for uma URL da Web via HTTP, verifique se a fonte pretendida não é um arquivo ou um URI de loopback (localhost).

Mensagens de exceção
Uri inválido é passado.
O Uri "{invalid_url}" é inválido.

Erro 0030

A exceção ocorre no caso em que não é possível baixar um arquivo.

Esta exceção no Azure Machine Learning ocorre quando não é possível transferir um ficheiro. Você receberá essa exceção quando uma tentativa de leitura de uma fonte HTTP falhar após três (3) tentativas de repetição.

Resolução: verifique se o URI para a fonte HTTP está correto e se o site está atualmente acessível pela Internet.

Mensagens de exceção
Não é possível transferir um ficheiro.
Erro ao transferir o ficheiro: {file_url}.

Erro 0031

A exceção ocorre se o número de colunas no conjunto de colunas for menor do que o necessário.

Este erro no Azure Machine Learning ocorre se o número de colunas selecionadas for inferior ao necessário. Você receberá esse erro se o número mínimo necessário de colunas não estiver selecionado.

Resolução: adicione colunas adicionais à seleção de colunas usando o Seletor de Coluna.

Mensagens de exceção
O número de colunas no conjunto de colunas é menor do que o necessário.
Pelo menos {required_columns_count} coluna(s) deve(m) ser especificada(s) para o argumento de entrada "{arg_name}".
Pelo menos {required_columns_count} coluna(s) deve(m) ser especificada(s) para o argumento de entrada "{arg_name}". O número real de colunas especificadas é {input_columns_count}.

Erro 0032

A exceção ocorre se o argumento não for um número.

Você receberá esse erro no Aprendizado de Máquina do Azure se o argumento for duplo ou NaN.

Resolução: modifique o argumento especificado para usar um valor válido.

Mensagens de exceção
Argumento não é um número.
"{arg_name}" não é um número.

Erro 0033

A exceção ocorre se o argumento for Infinito.

Este erro no Azure Machine Learning ocorre se o argumento for infinito. Você receberá esse erro se o argumento for ou double.NegativeInfinitydouble.PositiveInfinity.

Resolução: modifique o argumento especificado para ser um valor válido.

Mensagens de exceção
O argumento deve ser finito.
"{arg_name}" não é finito.
A coluna "{column_name}" contém valores infinitos.

Erro 0034

A exceção ocorre se existir mais de uma classificação para um determinado par de itens de usuário.

Este erro no Azure Machine Learning ocorre em recomendação se um par de itens de utilizador tiver mais do que um valor de classificação.

Resolução: verifique se o par usuário-item possui apenas um valor de classificação.

Mensagens de exceção
Existe mais de uma classificação para o(s) valor(es) no conjunto de dados.
Mais de uma classificação para usuário {user} e item {item} na tabela de dados de previsão de classificação.
Mais de uma classificação para usuário {user} e item {item} em {dataset}.

Erro 0035

A exceção ocorre se nenhum recurso for fornecido para um determinado usuário ou item.

Este erro no Azure Machine Learning ocorre quando você está tentando usar um modelo de recomendação para pontuação, mas um vetor de recurso não pode ser encontrado.

Resolução:

O recomendado Matchbox tem certos requisitos que devem ser atendidos ao usar recursos de item ou recursos de usuário. Esse erro indica que um vetor de recurso está faltando para um usuário ou item que você forneceu como entrada. Certifique-se de que um vetor de recursos esteja disponível nos dados para cada usuário ou item.

Por exemplo, se você treinou um modelo de recomendação usando recursos como idade, localização ou renda do usuário, mas agora deseja criar pontuações para novos usuários que não foram vistos durante o treinamento, você deve fornecer algum conjunto equivalente de recursos (ou seja, idade, localização e valores de renda) para os novos usuários, a fim de fazer previsões apropriadas para eles.

Se você não tiver nenhum recurso para esses usuários, considere a engenharia de recursos para gerar recursos apropriados. Por exemplo, se você não tiver valores individuais de idade ou renda do usuário, poderá gerar valores aproximados para usar para um grupo de usuários.

Gorjeta

Resolução não aplicável ao seu caso? Você está convidado a enviar comentários sobre este artigo e fornecer informações sobre o cenário, incluindo o componente e o número de linhas na coluna. Usaremos essas informações para fornecer etapas de solução de problemas mais detalhadas no futuro.

Mensagens de exceção
Nenhum recurso foi fornecido para um usuário ou item necessário.
Recursos para {required_feature_name} necessários, mas não fornecidos.

Erro 0036

A exceção ocorre se vários vetores de recurso foram fornecidos para um determinado usuário ou item.

Este erro no Azure Machine Learning ocorre se um vetor de recurso for definido mais de uma vez.

Resolução: certifique-se de que o vetor de recurso não seja definido mais de uma vez.

Mensagens de exceção
Definição de recurso duplicada para um usuário ou item.

Erro 0037

A exceção ocorre se várias colunas de rótulo forem especificadas e apenas uma for permitida.

Este erro no Azure Machine Learning ocorre se mais de uma coluna estiver selecionada para ser a nova coluna de rótulo. A maioria dos algoritmos de aprendizagem supervisionada requer que uma única coluna seja marcada como alvo ou rótulo.

Resolução: certifique-se de selecionar uma única coluna como a nova coluna de rótulo.

Mensagens de exceção
Várias colunas de rótulo são especificadas.
Várias colunas de rótulo são especificadas em "{dataset_name}".

Erro 0039

A exceção ocorre se uma operação tiver falhado.

Este erro no Azure Machine Learning ocorre quando uma operação interna não pode ser concluída.

Resolução: Este erro é causado por muitas condições e não há nenhuma solução específica.
A tabela a seguir contém mensagens genéricas para esse erro, que são seguidas por uma descrição específica da condição.

Se não houver detalhes disponíveis, a página de perguntas e respostas da Microsoft para enviar comentários e fornecer informações sobre os componentes que geraram o erro e as condições relacionadas.

Mensagens de exceção
Falha na operação.
Erro ao concluir a operação: "{failed_operation}".
Erro ao concluir a operação: "{failed_operation}". Motivo: "{razão}".

Erro 0042

A exceção ocorre quando não é possível converter coluna para outro tipo.

Este erro no Azure Machine Learning ocorre quando não é possível converter a coluna para o tipo especificado. Você receberá esse erro se um componente exigir um tipo de dados específico, como data/hora, texto, um número de ponto flutuante ou inteiro, mas não for possível converter uma coluna existente para o tipo necessário.

Por exemplo, você pode selecionar uma coluna e tentar convertê-la em um tipo de dados numéricos para uso em uma operação matemática e obter esse erro se a coluna contiver dados inválidos.

Outra razão pela qual você pode obter esse erro se tentar usar uma coluna contendo números de ponto flutuante ou muitos valores exclusivos como uma coluna categórica.

Resolução:

• Abra a página de ajuda do componente que gerou o erro e verifique os requisitos de tipo de dados.
• Analise os tipos de dados das colunas no conjunto de dados de entrada.
• Inspecione dados originários das chamadas fontes de dados sem esquema.
• Verifique se há valores ausentes ou caracteres especiais no conjunto de dados que possam bloquear a conversão para o tipo de dados desejado.
  • Os tipos de dados numéricos devem ser consistentes: por exemplo, verifique se há números de ponto flutuante em uma coluna de inteiros.
  • Procure cadeias de texto ou valores NA em uma coluna nupcial.
  • Os valores booleanos podem ser convertidos em uma representação apropriada, dependendo do tipo de dados necessário.
  • Examinar colunas de texto em busca de caracteres não-unicode, caracteres de tabulação ou caracteres de controle
  • Os dados de data/hora devem ser consistentes para evitar erros de modelagem, mas a limpeza pode ser complexa devido aos muitos formatos. Considere usar componentes Execute Python Script para executar a limpeza.
• Se necessário, modifique os valores no conjunto de dados de entrada para que a coluna possa ser convertida com êxito. A modificação pode incluir operações de encadernação, truncamento ou arredondamento, eliminação de valores anómalos ou imputação de valores em falta. Consulte os seguintes artigos para obter alguns cenários comuns de transformação de dados no aprendizado de máquina:
  • Limpar dados ausentes
  • Normalizar dados

Gorjeta

Resolução pouco clara ou não aplicável ao seu caso? Você está convidado a enviar comentários sobre este artigo e fornecer informações sobre o cenário, incluindo o componente e o tipo de dados da coluna. Usaremos essas informações para fornecer etapas de solução de problemas mais detalhadas no futuro.

Mensagens de exceção
Não é permitida a conversão.
Não foi possível converter coluna do tipo {type1} em coluna do tipo {type2}.
Não foi possível converter a coluna "{col_name1}" do tipo {type1} em coluna do tipo {type2}.
Não foi possível converter a coluna "{col_name1}" do tipo {type1} para a coluna "{col_name2}" do tipo {type2}.

Erro 0044

A exceção ocorre quando não é possível derivar o tipo de elemento de coluna a partir dos valores existentes.

Este erro no Azure Machine Learning ocorre quando não é possível inferir o tipo de uma coluna ou colunas em um conjunto de dados. Isso normalmente acontece ao concatenar dois ou mais conjuntos de dados com tipos de elementos diferentes. Se o Aprendizado de Máquina do Azure não conseguir determinar um tipo comum que seja capaz de representar todos os valores em uma coluna ou colunas sem perda de informações, ele gerará esse erro.

Resolução: certifique-se de que todos os valores em uma determinada coluna em ambos os conjuntos de dados que estão sendo combinados são do mesmo tipo (numérico, booleano, categórico, string, data, etc.) ou podem ser coagidos para o mesmo tipo.

Mensagens de exceção
Não é possível derivar o tipo de elemento da coluna.
Não é possível derivar o tipo de elemento para a coluna "{column_name}" -- todos os elementos são referências nulas.
Não é possível derivar o tipo de elemento para a coluna "{column_name}" do conjunto de dados "{dataset_name}" -- todos os elementos são referências nulas.

Erro 0045

A exceção ocorre quando não é possível criar uma coluna devido a tipos de elementos mistos na origem.

Este erro no Azure Machine Learning é produzido quando os tipos de elementos de dois conjuntos de dados que estão sendo combinados são diferentes.

Resolução: certifique-se de que todos os valores em uma determinada coluna em ambos os conjuntos de dados que estão sendo combinados são do mesmo tipo (numérico, booleano, categórico, string, data, etc.).

Mensagens de exceção
Não é possível criar coluna com tipos de elementos mistos.
Não é possível criar coluna com id "{column_id}" de tipos de elementos mistos: Tipo de dados[{row_1}, {column_id}] é "{type_1}". Tipo de dados[{row_2}, {column_id}] é "{type_2}".
Não é possível criar coluna com id "{column_id}" de tipos de elementos mistos: Digite no bloco {chunk_id_1} é "{type_1}". Digite o bloco {chunk_id_2} é "{type_2}" com tamanho do bloco: {chunk_size}.

Erro 0046

A exceção ocorre quando não é possível criar diretório no caminho especificado.

Este erro no Azure Machine Learning ocorre quando não é possível criar um diretório no caminho especificado. Você receberá esse erro se qualquer parte do caminho para o diretório de saída de uma consulta do Hive estiver incorreta ou inacessível.

Resolução: revisite o componente e verifique se o caminho do diretório está formatado corretamente e se está acessível com as credenciais atuais.

Mensagens de exceção
Especifique um diretório de saída válido.
Directory: {path} não pode ser criado. Especifique o caminho válido.

Erro 0047

A exceção ocorre se o número de colunas de feição em alguns dos conjuntos de dados passados para o componente for muito pequeno.

Este erro no Azure Machine Learning ocorre se o conjunto de dados de entrada para treinamento não contiver o número mínimo de colunas exigido pelo algoritmo. Normalmente, o conjunto de dados está vazio ou contém apenas colunas de treinamento.

Resolução: revisite o conjunto de dados de entrada para verificar se há uma ou mais colunas adicionais além da coluna de rótulo.

Mensagens de exceção
O número de colunas de recursos no conjunto de dados de entrada é menor do que o mínimo permitido.
O número de colunas de feição no conjunto de dados de entrada é inferior ao mínimo permitido de {required_columns_count} coluna(s).
O número de colunas de feição no conjunto de dados de entrada "{arg_name}" é inferior ao mínimo permitido de {required_columns_count} coluna(s).

Erro 0048

A exceção ocorre no caso em que não é possível abrir um arquivo.

Este erro no Azure Machine Learning ocorre quando não é possível abrir um ficheiro para leitura ou escrita. Você pode receber esse erro pelos seguintes motivos:

• O contêiner ou o arquivo (blob) não existe

• O nível de acesso do arquivo ou contêiner não permite que você acesse o arquivo

• O ficheiro é demasiado grande para ler ou o formato errado

Resolução: revisite o componente e o arquivo que você está tentando ler.

Verifique se os nomes do contêiner e do arquivo estão corretos.

Use o portal clássico do Azure ou uma ferramenta de armazenamento do Azure para verificar se você tem permissão para acessar o arquivo.

Mensagens de exceção
Não é possível abrir um ficheiro.
Erro ao abrir o ficheiro: {file_name}.
Erro ao abrir o ficheiro: {file_name}. Mensagem de exceção de armazenamento: {exception}.

Erro 0049

A exceção ocorre no caso em que não é possível analisar um arquivo.

Este erro no Azure Machine Learning ocorre quando não é possível analisar um ficheiro. Você receberá esse erro se o formato de arquivo selecionado no componente Importar dados não corresponder ao formato real do arquivo ou se o arquivo contiver um caractere irreconhecível.

Resolução: revisite o componente e corrija a seleção do formato de arquivo se ele não corresponder ao formato do arquivo. Se possível, inspecione o arquivo para confirmar que ele não contém caracteres ilegais.

Mensagens de exceção
Não é possível analisar um arquivo.
Erro ao analisar o arquivo {file_format}.
Erro ao analisar o ficheiro {file_format}: {file_name}.
Erro ao analisar o arquivo {file_format}. Motivo: {failure_reason}.
Erro ao analisar o ficheiro {file_format}: {file_name}. Motivo: {failure_reason}.

Erro 0052

A exceção ocorre se a chave da conta de armazenamento do Azure for especificada incorretamente.

Este erro no Azure Machine Learning ocorre se a chave usada para acessar a conta de armazenamento do Azure estiver incorreta. Por exemplo, você pode ver esse erro se a chave de armazenamento do Azure foi truncada quando copiada e colada ou se a chave errada foi usada.

Para obter mais informações sobre como obter a chave para uma conta de armazenamento do Azure, consulte Exibir, copiar e regenerar chaves de acesso de armazenamento.

Resolução: revisite o componente e verifique se a chave de armazenamento do Azure está correta para a conta, copie a chave novamente do portal clássico do Azure, se necessário.

Mensagens de exceção
A chave da conta de armazenamento do Azure está incorreta.

Erro 0053

A exceção ocorre no caso em que não há recursos de usuário ou itens para recomendações de caixa de correspondência.

Este erro no Azure Machine Learning é produzido quando um vetor de recurso não pode ser encontrado.

Resolução: verifique se um vetor de recurso está presente no conjunto de dados de entrada.

Mensagens de exceção
Recursos e/ou itens do usuário são necessários, mas não fornecidos.

Erro 0056

A exceção ocorre se as colunas selecionadas para uma operação violarem os requisitos.

Este erro no Azure Machine Learning ocorre quando você está escolhendo colunas para uma operação que requer que a coluna seja de um tipo de dados específico.

Esse erro também pode acontecer se a coluna for o tipo de dados correto, mas o componente que você está usando requer que a coluna também seja marcada como um recurso, rótulo ou coluna categórica.

Resolução:

1. Revise o tipo de dados das colunas selecionadas no momento.

2. Verifique se as colunas selecionadas são colunas categóricas, de rótulo ou de recurso.

3. Revise o tópico da Ajuda do componente no qual você fez a seleção de coluna para determinar se há requisitos específicos para o tipo de dados ou o uso da coluna.

4. Use Editar metadados para alterar o tipo de coluna para a duração desta operação. Certifique-se de alterar o tipo de coluna de volta ao seu valor original, usando outra instância de Editar Metadados, se precisar dela para operações downstream.

Mensagens de exceção
Uma ou mais colunas selecionadas não estavam em uma categoria permitida.
A coluna com o nome "{col_name}" não está em uma categoria permitida.

Erro 0057

A exceção ocorre ao tentar criar um arquivo ou blob que já existe.

Essa exceção ocorre quando você está usando o componente Exportar Dados ou outro componente para salvar resultados de um pipeline no Aprendizado de Máquina do Azure para o armazenamento de blobs do Azure, mas tenta criar um arquivo ou blob que já existe.

Resolução:

Você receberá esse erro somente se tiver definido anteriormente a propriedade Azure blob storage write mode como Error. Por design, esse componente gera um erro se você tentar gravar um conjunto de dados em um blob que já existe.

• Abra as propriedades do componente e altere a propriedade Azure blob storage write mode para Overwrite.
• Como alternativa, você pode digitar o nome de um blob ou arquivo de destino diferente e especificar um blob que ainda não existe.

Mensagens de exceção
Arquivo ou Blob já existe.
Arquivo ou Blob "{file_path}" já existe.

Erro 0058

Este erro no Azure Machine Learning ocorre se o conjunto de dados não contiver a coluna de rótulo esperado.

Esta exceção também pode ocorrer quando a coluna de rótulo fornecida não corresponde aos dados ou ao tipo de dados esperados pelo aluno ou tem os valores errados. Por exemplo, essa exceção é produzida ao usar uma coluna de rótulo com valor real ao treinar um classificador binário.

Resolução: a resolução depende do aluno ou instrutor que você está usando e dos tipos de dados das colunas em seu conjunto de dados. Primeiro, verifique os requisitos do algoritmo de aprendizado de máquina ou componente de treinamento.

Revisite o conjunto de dados de entrada. Verifique se a coluna que você espera que seja tratada como o rótulo tem o tipo de dados correto para o modelo que você está criando.

Verifique se há valores ausentes nas entradas e elimine-as ou substitua-as, se necessário.

Se necessário, adicione o componente Editar metadados e verifique se a coluna do rótulo está marcada como um rótulo.

Mensagens de exceção
Os valores da coluna do rótulo e os valores da coluna do rótulo pontuados não são comparáveis.
A coluna de rótulo não é como esperado em "{dataset_name}".
A coluna de rótulo não é como esperado em "{dataset_name}", {reason}.
A coluna de rótulo "{column_name}" não é esperada em "{dataset_name}".
A coluna de rótulo "{column_name}" não é esperada em "{dataset_name}", {reason}.

Erro 0059

A exceção ocorre se um índice de coluna especificado em um seletor de colunas não puder ser analisado.

Este erro no Azure Machine Learning ocorre se um índice de coluna especificado ao usar o Seletor de Coluna não puder ser analisado. Você receberá esse erro quando o índice da coluna estiver em um formato inválido que não pode ser analisado.

Resolução: modifique o índice da coluna para usar um valor de índice válido.

Mensagens de exceção
Não foi possível analisar um ou mais índices ou intervalos de índices especificados.
Não foi possível analisar o índice ou intervalo de colunas "{column_index_or_range}".

Erro 0060

A exceção ocorre quando um intervalo de colunas fora do intervalo é especificado em um seletor de colunas.

Este erro no Azure Machine Learning ocorre quando um intervalo de colunas fora do intervalo é especificado no Seletor de Colunas. Você receberá esse erro se o intervalo de colunas no seletor de colunas não corresponder às colunas no conjunto de dados.

Resolução: modifique o intervalo de colunas no seletor de colunas para corresponder às colunas do conjunto de dados.

Mensagens de exceção
Intervalo de índice de coluna inválido ou fora do intervalo especificado.
O intervalo de colunas "{column_range}" é inválido ou está fora do intervalo.

Erro 0061

A exceção ocorre ao tentar adicionar uma linha a uma DataTable que tem um número diferente de colunas da tabela.

Este erro no Azure Machine Learning ocorre quando tenta adicionar uma linha a um conjunto de dados que tem um número de colunas diferente do conjunto de dados. Você receberá esse erro se a linha que está sendo adicionada ao conjunto de dados tiver um número diferente de colunas do conjunto de dados de entrada. A linha não pode ser acrescentada ao conjunto de dados se o número de colunas for diferente.

Resolução: modifique o conjunto de dados de entrada para ter o mesmo número de colunas que a linha adicionada ou modifique a linha adicionada para ter o mesmo número de colunas que o conjunto de dados.

Mensagens de exceção
Todas as tabelas devem ter o mesmo número de colunas.
As colunas no bloco "{chunk_id_1}" são diferentes com o bloco "{chunk_id_2}" com tamanho do bloco: {chunk_size}.
A contagem de colunas no ficheiro "{filename_1}" (count={column_count_1}) é diferente com o ficheiro "{filename_2}" (count={column_count_2}).

Erro 0062

A exceção ocorre quando se tenta comparar dois modelos com diferentes tipos de alunos.

Este erro no Azure Machine Learning é produzido quando as métricas de avaliação para dois conjuntos de dados pontuados diferentes não podem ser comparadas. Neste caso, não é possível comparar a eficácia dos modelos utilizados para produzir os dois conjuntos de dados pontuados.

Resolução: verifique se os resultados pontuados são produzidos pelo mesmo tipo de modelo de aprendizado de máquina (classificação binária, regressão, classificação multiclasse, recomendação, agrupamento, deteção de anomalias, etc.) Todos os modelos que você comparar devem ter o mesmo tipo de aluno.

Mensagens de exceção
Todos os modelos devem ter o mesmo tipo de aluno.
Tem tipo de aluno incompatível: "{atual_learner_type}". Os tipos de alunos esperados são: "{expected_learner_type_list}".

Erro 0064

A exceção ocorre se o nome da conta de armazenamento do Azure ou a chave de armazenamento for especificado incorretamente.

Este erro no Azure Machine Learning ocorre se o nome da conta de armazenamento do Azure ou a chave de armazenamento for especificado incorretamente. Você receberá esse erro se inserir um nome de conta ou senha incorretos para a conta de armazenamento. Isso pode ocorrer se você inserir manualmente o nome da conta ou senha. Também pode ocorrer se a conta tiver sido excluída.

Resolução: verifique se o nome e a senha da conta foram inseridos corretamente e se a conta existe.

Mensagens de exceção
O nome da conta de armazenamento do Azure ou a chave de armazenamento está incorreto.
O nome da conta de armazenamento do Azure "{account_name}" ou a chave de armazenamento para o nome da conta está incorreto.

Erro 0065

A exceção ocorre se o nome do blob do Azure for especificado incorretamente.

Este erro no Azure Machine Learning ocorre se o nome do blob do Azure for especificado incorretamente. Você receberá o erro se:

• O blob não pode ser encontrado no contêiner especificado.

• Somente o contêiner foi especificado como a fonte em uma solicitação de Importação de Dados quando o formato era Excel ou CSV com codificação, a concatenação do conteúdo de todos os blobs dentro de um contêiner não é permitida com esses formatos.

• Um URI SAS não contém o nome de um blob válido.

Resolução: revisite o componente que lança a exceção. Verifique se o blob especificado existe no contêiner na conta de armazenamento e se as permissões permitem que você veja o blob. Verifique se a entrada é do contêinername/filename do formulário se você tiver Excel ou CSV com formatos de codificação. Verifique se um URI SAS contém o nome de um blob válido.

Mensagens de exceção
O nome do blob de armazenamento do Azure está incorreto.
O nome do blob de armazenamento do Azure "{blob_name}" está incorreto.
O nome do blob de armazenamento do Azure com o prefixo "{blob_name_prefix}" não existe.
Falha ao localizar nenhum blobs de armazenamento do Azure no contêiner "{container_name}".
Falha ao localizar nenhum blobs de armazenamento do Azure com caminho curinga "{blob_wildcard_path}".

Erro 0066

A exceção ocorre se um recurso não puder ser carregado em um Blob do Azure.

Este erro no Azure Machine Learning ocorre se não for possível carregar um recurso para um Blob do Azure. Ambos são salvos na mesma conta de armazenamento do Azure que a conta que contém o arquivo de entrada.

Resolução: revisite o componente. Verifique se o nome da conta do Azure, a chave de armazenamento e o contêiner estão corretos e se a conta tem permissão para gravar no contêiner.

Mensagens de exceção
Não foi possível carregar o recurso no armazenamento do Azure.
O ficheiro "{source_path}" não pôde ser carregado para o armazenamento do Azure como "{dest_path}".

Erro 0067

A exceção ocorre se um conjunto de dados tiver um número de colunas diferente do esperado.

Este erro no Azure Machine Learning ocorre se um conjunto de dados tiver um número de colunas diferente do esperado. Você receberá esse erro quando o número de colunas no conjunto de dados for diferente do número de colunas que o componente espera durante a execução.

Resolução: modifique o conjunto de dados de entrada ou os parâmetros.

Mensagens de exceção
Número inesperado de colunas na tabela de dados.
Número inesperado de colunas no conjunto de dados "{dataset_name}".
Esperada(s) coluna(s) "{expected_column_count}", mas encontrada a(s) coluna(s) "{atual_column_count}" em vez disso.
No conjunto de dados de entrada "{dataset_name}", esperava-se a(s) coluna(s) "{expected_column_count}", mas encontrava-se a(s) coluna(s) "{atual_column_count}".

Erro 0068

A exceção ocorre se o script Hive especificado não estiver correto.

Esse erro no Aprendizado de Máquina do Azure ocorre se houver erros de sintaxe em um script QL do Hive ou se o interpretador do Hive encontrar um erro ao executar a consulta ou o script.

Resolução:

A mensagem de erro do Hive é normalmente relatada de volta no log de erros para que você possa tomar medidas com base no erro específico.

• Abra o componente e inspecione a consulta em busca de erros.
• Verifique se a consulta funciona corretamente fora do Aprendizado de Máquina do Azure fazendo logon no console do Hive do cluster Hadoop e executando a consulta.
• Tente colocar comentários em seu script do Hive em uma linha separada, em vez de misturar instruções executáveis e comentários em uma única linha.

Recursos

Consulte os seguintes artigos para obter ajuda com consultas do Hive para aprendizado de máquina:

• Criar tabelas do Hive e carregar dados do Armazenamento de Blobs do Azure
• Explore dados em tabelas com consultas do Hive
• Criar recursos para dados em um cluster Hadoop usando consultas do Hive
• Hive para usuários SQL Cheat Sheet (PDF)

Mensagens de exceção
O script do Hive está incorreto.

Erro 0069

A exceção ocorre se o script SQL especificado não estiver correto.

Este erro no Azure Machine Learning ocorre se o script SQL especificado tiver problemas de sintaxe ou se as colunas ou tabela especificadas no script não forem válidas.

Você receberá esse erro se o mecanismo SQL encontrar algum erro ao executar a consulta ou o script. A mensagem de erro SQL é normalmente relatada de volta no log de erros para que você possa tomar medidas com base no erro específico.

Resolução: revisite o componente e inspecione a consulta SQL em busca de erros.

Verifique se a consulta funciona corretamente fora do Aprendizado de Máquina do Azure fazendo logon diretamente no servidor de banco de dados e executando a consulta.

Se houver uma mensagem gerada por SQL relatada pela exceção do componente, execute uma ação com base no erro relatado. Por exemplo, as mensagens de erro às vezes incluem orientações específicas sobre o erro provável:

• Nenhuma coluna ou banco de dados ausente, indicando que você pode ter digitado um nome de coluna errado. Se tiver certeza de que o nome da coluna está correto, tente usar colchetes ou aspas para incluir o identificador da coluna.
• Erro de lógica SQL perto da palavra-chave SQL, indicando que você pode ter um erro de <sintaxe antes da palavra-chave> especificada

Mensagens de exceção
O script SQL está incorreto.
A consulta SQL "{sql_query}" não está correta.
A consulta SQL "{sql_query}" não está correta. Mensagem de exceção: {exception}.

Erro 0070

A exceção ocorre ao tentar acessar uma tabela do Azure inexistente.

Este erro no Azure Machine Learning ocorre quando tenta aceder a uma tabela do Azure inexistente. Você receberá esse erro se especificar uma tabela no armazenamento do Azure, que não existe ao ler ou gravar no Armazenamento de Tabela do Azure. Isso pode acontecer se você digitar incorretamente o nome da tabela desejada ou se tiver uma incompatibilidade entre o nome de destino e o tipo de armazenamento. Por exemplo, você pretendia ler a partir de uma tabela, mas inseriu o nome de um blob em vez disso.

Resolução: revisite o componente para verificar se o nome da tabela está correto.

Mensagens de exceção
A tabela do Azure não existe.
A tabela do Azure "{table_name}" não existe.

Erro 0072

A exceção ocorre no caso de tempo limite de conexão.

Este erro no Azure Machine Learning ocorre quando uma ligação expira. Você receberá esse erro se houver problemas de conectividade com a fonte ou o destino de dados, como conectividade lenta com a Internet, ou se o conjunto de dados for grande e/ou se a consulta SQL para ler os dados executar um processamento complicado.

Resolução: determine se atualmente há problemas com conexões lentas com o armazenamento do Azure ou a Internet.

Mensagens de exceção
Ocorreu o tempo limite da ligação.

Erro 0073

A exceção ocorre se ocorrer um erro durante a conversão de uma coluna para outro tipo.

Este erro no Azure Machine Learning ocorre quando não é possível converter coluna para outro tipo. Você receberá esse erro se um componente exigir um tipo específico e não for possível converter a coluna para o novo tipo.

Resolução: modifique o conjunto de dados de entrada para que a coluna possa ser convertida com base na exceção interna.

Mensagens de exceção
Falha ao converter coluna.
Falha ao converter coluna para {target_type}.

Erro 0075

A exceção ocorre quando uma função de vinculação inválida é usada ao quantificar um conjunto de dados.

Este erro no Azure Machine Learning ocorre quando está a tentar compartimentar dados utilizando um método sem suporte ou quando as combinações de parâmetros são inválidas.

Resolução:

A manipulação de erros para esse evento foi introduzida em uma versão anterior do Aprendizado de Máquina do Azure que permitia mais personalização de métodos de vinculação. Atualmente, todos os métodos de vinculação são baseados em uma seleção de uma lista suspensa, portanto, tecnicamente, não deve mais ser possível obter esse erro.

Mensagens de exceção
Função de vinculação inválida usada.

Erro 0077

A exceção ocorre quando o modo de gravação de arquivo blob desconhecido é passado.

Este erro no Azure Machine Learning ocorre se um argumento inválido for passado nas especificações de um arquivo blob, destino ou origem.

Resolução: em quase todos os componentes que importam ou exportam dados de e para o armazenamento de blobs do Azure, os valores de parâmetro que controlam o modo de gravação são atribuídos usando uma lista suspensa, portanto, não é possível passar um valor inválido e esse erro não deve aparecer. Este erro será preterido em uma versão posterior.

Mensagens de exceção
Modo de escrita de blob não suportado.
Modo de escrita de blob não suportado: {blob_write_mode}.

Erro 0078

A exceção ocorre quando a opção HTTP para Importar Dados recebe um código de status 3xx indicando redirecionamento.

Este erro no Azure Machine Learning ocorre quando a opção HTTP para Importar Dados recebe um código de status 3xx (301, 302, 304, etc.) indicando redirecionamento. Você receberá esse erro se tentar se conectar a uma fonte HTTP que redireciona o navegador para outra página. Por motivos de segurança, o redirecionamento de sites não é permitido como fontes de dados para o Azure Machine Learning.

Resolução: se o site for confiável, insira o URL redirecionado diretamente.

Mensagens de exceção
Redirecionamento http não permitido.

Erro 0079

A exceção ocorre se o nome do contêiner de armazenamento do Azure for especificado incorretamente.

Este erro no Azure Machine Learning ocorre se o nome do contêiner de armazenamento do Azure for especificado incorretamente. Você receberá esse erro se não tiver especificado o contêiner e o nome do blob (arquivo) usando a opção Caminho para blob começando com contêiner ao gravar no Armazenamento de Blobs do Azure.

Resolução: revisite o componente Exportar dados e verifique se o caminho especificado para o blob contém o contêiner e o nome do arquivo, no formato contêiner/nome do arquivo.

Mensagens de exceção
O nome do contêiner de armazenamento do Azure está incorreto.
O nome do contêiner de armazenamento do Azure "{container_name}" está incorreto; Um nome de contêiner do contêiner/blob de formato era esperado.

Erro 0080

A exceção ocorre quando a coluna com todos os valores ausentes não é permitida pelo componente.

Este erro no Azure Machine Learning é produzido quando uma ou mais das colunas consumidas pelo componente contém todos os valores em falta. Por exemplo, se um componente estiver computando estatísticas agregadas para cada coluna, ele não poderá operar em uma coluna que não contenha dados. Nesses casos, a execução do componente é interrompida com essa exceção.

Resolução: revisite o conjunto de dados de entrada e remova todas as colunas que contenham todos os valores ausentes.

Mensagens de exceção
Colunas com todos os valores ausentes não são permitidas.
A coluna {col_index_or_name} tem todos os valores em falta.

Erro 0081

A exceção ocorre no componente PCA se o número de dimensões a serem reduzidas for igual ao número de colunas de feição no conjunto de dados de entrada, contendo pelo menos uma coluna de feição esparsa.

Este erro no Azure Machine Learning é produzido se as seguintes condições forem atendidas: (a) o conjunto de dados de entrada tem pelo menos uma coluna esparsa e (b) o número final de dimensões solicitadas é o mesmo que o número de dimensões de entrada.

Resolução: considere reduzir o número de dimensões na saída para ser menor do que o número de dimensões na entrada. É típico em aplicações de PCA.

Mensagens de exceção
Para conjuntos de dados contendo colunas de feição esparsas, o número de dimensões a serem reduzidas deve ser menor do que o número de colunas de feição.

Erro 0082

A exceção ocorre quando um modelo não pode ser desserializado com êxito.

Este erro no Azure Machine Learning ocorre quando um modelo ou transformação de aprendizado de máquina salvo não pode ser carregado por uma versão mais recente do tempo de execução do Azure Machine Learning como resultado de uma alteração de quebra.

Resolução: o pipeline de treinamento que produziu o modelo ou transformação deve ser executado novamente e o modelo ou transformação deve ser salvo novamente.

Mensagens de exceção
O modelo não pôde ser desserializado porque provavelmente é serializado com um formato de serialização mais antigo. Treine novamente e salve novamente o modelo.

Erro 0083

A exceção ocorre se o conjunto de dados usado para treinamento não puder ser usado para o tipo concreto de aluno.

Este erro no Azure Machine Learning é produzido quando o conjunto de dados é incompatível com o aluno que está a ser treinado. Por exemplo, o conjunto de dados pode conter pelo menos um valor ausente em cada linha e, como resultado, todo o conjunto de dados seria ignorado durante o treinamento. Em outros casos, alguns algoritmos de aprendizado de máquina, como a deteção de anomalias, não esperam que os rótulos estejam presentes e podem lançar essa exceção se os rótulos estiverem presentes no conjunto de dados.

Resolução: consulte a documentação do aluno que está sendo usada para verificar os requisitos para o conjunto de dados de entrada. Examine as colunas para ver se todas as colunas necessárias estão presentes.

Mensagens de exceção
O conjunto de dados usado para treinamento é inválido.
{data_name} contém dados inválidos para formação.
{data_name} contém dados inválidos para formação. Tipo de aluno: {learner_type}.
{data_name} contém dados inválidos para formação. Tipo de aluno: {learner_type}. Motivo: {razão}.
Falha ao aplicar a ação "{action_name}" nos dados de treinamento {data_name}. Motivo: {razão}.

Erro 0084

A exceção ocorre quando as pontuações produzidas a partir de um script R são avaliadas. No momento, isso não é suportado.

Este erro no Azure Machine Learning ocorre se tentar utilizar um dos componentes para avaliar um modelo com saída de um script R que contém pontuações.

Resolução:

Mensagens de exceção
No momento, não há suporte para a avaliação de pontuações produzidas pelo Modelo Personalizado.

Erro 0085

A exceção ocorre quando a avaliação do script falha com um erro.

Este erro no Azure Machine Learning ocorre quando está a executar um script personalizado que contém erros de sintaxe.

Resolução: revise seu código em um editor externo e verifique se há erros.

Mensagens de exceção
Erro durante a avaliação do script.
O seguinte erro ocorreu durante a avaliação do script, consulte o log de saída para obter mais informações: ---------- Início da mensagem de erro do ---------- do interpretador {script_language} {mensagem} ---------- Fim da mensagem de erro do interpretador {script_language} ----------

Erro 0090

A exceção ocorre quando a criação da tabela do Hive falha.

Este erro no Aprendizado de Máquina do Azure ocorre quando você está usando Exportar Dados ou outra opção para salvar dados em um cluster HDInsight e a tabela Hive especificada não pode ser criada.

Resolução: verifique o nome da conta de armazenamento do Azure associada ao cluster e verifique se você está usando a mesma conta nas propriedades do componente.

Mensagens de exceção
Não foi possível criar a tabela Hive. Para um cluster HDInsight, verifique se o nome da conta de armazenamento do Azure associado ao cluster é o mesmo que é passado pelo parâmetro componente.
Não foi possível criar a tabela Hive "{table_name}". Para um cluster HDInsight, verifique se o nome da conta de armazenamento do Azure associado ao cluster é o mesmo que é passado pelo parâmetro componente.
Não foi possível criar a tabela Hive "{table_name}". Para um cluster HDInsight, verifique se o nome da conta de armazenamento do Azure associada ao cluster é "{cluster_name}".

Erro 0102

Lançado quando um arquivo ZIP não pode ser extraído.

Este erro no Aprendizado de Máquina do Azure ocorre quando você está importando um pacote compactado com a extensão .zip, mas o pacote não é um arquivo zip ou o arquivo não usa um formato zip com suporte.

Resolução: verifique se o arquivo selecionado é um arquivo .zip válido e se foi compactado usando um dos algoritmos de compactação suportados.

Se você receber esse erro ao importar conjuntos de dados em formato compactado, verifique se todos os arquivos contidos usam um dos formatos de arquivo suportados e estão no formato Unicode.

Tente ler os arquivos desejados para uma nova pasta compactada compactada e tente adicionar o componente personalizado novamente.

Mensagens de exceção
Dado arquivo ZIP não está no formato correto.

Erro 0105

Este erro é exibido quando um arquivo de definição de componente contém um tipo de parâmetro não suportado

Este erro no Azure Machine Learning é produzido quando você cria uma definição xml de componente personalizada e o tipo de um parâmetro ou argumento na definição não corresponde a um tipo suportado.

Resolução: verifique se a propriedade type de qualquer elemento Arg no arquivo de definição xml do componente personalizado é um tipo suportado.

Mensagens de exceção
Tipo de parâmetro não suportado.
Tipo de parâmetro não suportado ''{0} especificado.

Erro 0107

Lançado quando um arquivo de definição de componente define um tipo de saída sem suporte

Este erro no Azure Machine Learning é produzido quando o tipo de uma porta de saída numa definição xml de componente personalizada não corresponde a um tipo suportado.

Resolução: verifique se a propriedade type de um elemento Output no arquivo de definição xml do componente personalizado é um tipo suportado.

Mensagens de exceção
Tipo de saída não suportado.
Tipo de saída não suportado '{output_type}' especificado.

Erro 0125

Lançado quando o esquema para vários conjuntos de dados não corresponde.

Resolução:

Mensagens de exceção
O esquema do conjunto de dados não corresponde.

Erro 0127

Tamanho do pixel da imagem excede o limite permitido

Este erro ocorre se você estiver lendo imagens de um conjunto de dados de imagem para classificação e as imagens forem maiores do que o modelo pode manipular.

Mensagens de exceção
O tamanho do pixel da imagem excede o limite permitido.
O tamanho do pixel da imagem no arquivo '{file_path}' excede o limite permitido: '{size_limit}'.

Erro 0128

Número de probabilidades condicionais para colunas categóricas excede o limite.

Resolução:

Mensagens de exceção
Número de probabilidades condicionais para colunas categóricas excede o limite.
Número de probabilidades condicionais para colunas categóricas excede o limite. As colunas '{column_name_or_index_1}' e '{column_name_or_index_2}' são o par problemático.

Erro 0129

O número de colunas no conjunto de dados excede o limite permitido.

Resolução:

Mensagens de exceção
O número de colunas no conjunto de dados excede o limite permitido.
O número de colunas no conjunto de dados em '{dataset_name}' excede o permitido.
O número de colunas no conjunto de dados em '{dataset_name}' excede o limite permitido de '{component_name}'.
O número de colunas no conjunto de dados em '{dataset_name}' excede o limite permitido '{limit_columns_count}' de '{component_name}'.

Erro 0134

A exceção ocorre quando a coluna do rótulo está ausente ou tem um número insuficiente de linhas rotuladas.

Este erro ocorre quando o componente requer uma coluna de rótulo, mas você não incluiu uma na seleção de coluna, ou a coluna de rótulo está faltando muitos valores.

Este erro também pode ocorrer quando uma operação anterior altera o conjunto de dados de modo que linhas insuficientes estão disponíveis para uma operação a jusante. Por exemplo, suponha que você use uma expressão no componente Partição e Exemplo para dividir um conjunto de dados por valores. Se nenhuma correspondência for encontrada para sua expressão, um dos conjuntos de dados resultantes da partição estará vazio.

Resolução:

Se você incluir uma coluna de rótulo na seleção de coluna, mas ela não for reconhecida, use o componente Editar metadados para marcá-la como uma coluna de rótulo.

Em seguida, você pode usar o componente Limpar dados ausentes para remover linhas com valores ausentes na coluna de rótulo.

Verifique seus conjuntos de dados de entrada para certificar-se de que eles contêm dados válidos e linhas suficientes para satisfazer os requisitos da operação. Muitos algoritmos gerarão uma mensagem de erro se exigirem um número mínimo de linhas de dados, mas os dados contiverem apenas algumas linhas ou apenas um cabeçalho.

Mensagens de exceção
A exceção ocorre quando a coluna do rótulo está ausente ou tem um número insuficiente de linhas rotuladas.
A exceção ocorre quando a coluna do rótulo está ausente ou tem menos de {required_rows_count} linhas rotuladas.
A exceção ocorre quando a coluna de rótulo no conjunto de dados {dataset_name} está ausente ou tem menos de {required_rows_count} linhas rotuladas.

Erro 0138

A memória foi esgotada, incapaz de concluir a execução do componente. A redução da resolução do conjunto de dados pode ajudar a atenuar o problema.

Este erro ocorre quando o componente em execução requer mais memória do que a disponível no contêiner do Azure. Isso pode acontecer se você estiver trabalhando com um conjunto de dados grande e a operação atual não couber na memória.

Resolução: se você estiver tentando ler um conjunto de dados grande e a operação não puder ser concluída, reduzir a resolução do conjunto de dados pode ajudar.

Mensagens de exceção
A memória foi esgotada, incapaz de concluir a execução do componente.
A memória foi esgotada, incapaz de concluir a execução do componente. Detalhes: {details}

Erro 0141

A exceção ocorre se o número de colunas numéricas selecionadas e valores exclusivos nas colunas categóricas e de cadeia de caracteres for muito pequeno.

Este erro no Azure Machine Learning ocorre quando não há valores exclusivos suficientes na coluna selecionada para executar a operação.

Resolução: algumas operações executam operações estatísticas em colunas de feição e categóricas e, se não houver valores suficientes, a operação pode falhar ou retornar um resultado inválido. Verifique seu conjunto de dados para ver quantos valores existem nas colunas de recurso e rótulo e determine se a operação que você está tentando executar é estatisticamente válida.

Se o conjunto de dados de origem for válido, você também poderá verificar se alguma manipulação de dados upstream ou operação de metadados alterou os dados e removeu alguns valores.

Se as operações upstream incluírem divisão, amostragem ou reamostragem, verifique se as saídas contêm o número esperado de linhas e valores.

Mensagens de exceção
O número de colunas numéricas selecionadas e valores exclusivos nas colunas categóricas e de cadeia de caracteres é muito pequeno.
O número total das colunas numéricas selecionadas e dos valores únicos nas colunas categóricas e de cadeia de caracteres (atualmente {atual_num}) deve ser pelo menos {lower_boundary}.

Erro 0154

A exceção ocorre quando o usuário tenta unir dados em colunas de chave com tipo de coluna incompatível.

Mensagens de exceção
Os tipos de elementos de coluna chave não são compatíveis.
Os tipos de elementos de coluna chave não são compatíveis. (esquerda: {keys_left}; direita: {keys_right})

Erro 0155

A exceção ocorre quando os nomes das colunas do conjunto de dados não são string.

Mensagens de exceção
O nome da coluna do quadro de dados deve ser do tipo cadeia de caracteres. Os nomes das colunas não são string.
O nome da coluna do quadro de dados deve ser do tipo cadeia de caracteres. Os nomes das colunas {column_names} não são string.

Erro 0156

A exceção ocorre quando não foi possível ler dados do Banco de Dados SQL do Azure.

Mensagens de exceção
Falha ao ler dados do Banco de Dados SQL do Azure.
Falha ao ler dados do Banco de Dados SQL do Azure: {detailed_message} DB: {database_server_name}:{database_name} Consulta: {sql_statement}

Erro 0157

Datastore não encontrado.

Mensagens de exceção
As informações do armazenamento de dados são inválidas.
As informações do armazenamento de dados são inválidas. Falha ao obter o armazenamento de dados do Azure Machine Learning '{datastore_name}' no espaço de trabalho '{workspace_name}'.

Erro 0158

Lançado quando um diretório de transformação é inválido.

Mensagens de exceção
Dado TransformationDirectory é inválido.
TransformationDirectory "{arg_name}" é inválido. Motivo: {razão}. Execute novamente o experimento de treinamento, que gera o arquivo Transform. Se o experimento de treinamento foi excluído, recrie e salve o arquivo Transformar.
TransformationDirectory "{arg_name}" é inválido. Motivo: {razão}. {troubleshoot_hint}

Erro 0159

A exceção ocorre se o diretório do modelo de componente for inválido.

Mensagens de exceção
Dado ModelDirectory é inválido.
ModelDirectory "{arg_name}" é inválido.
ModelDirectory "{arg_name}" é inválido. Motivo: {razão}.
ModelDirectory "{arg_name}" é inválido. Motivo: {razão}. {troubleshoot_hint}

Erro 1000

Exceção da biblioteca interna.

Este erro é fornecido para capturar erros internos do mecanismo de outra forma não tratados. Portanto, a causa para esse erro pode ser diferente dependendo do componente que gerou o erro.

Para obter mais ajuda, recomendamos que você publique a mensagem detalhada que acompanha o erro no fórum do Azure Machine Learning, juntamente com uma descrição do cenário, incluindo os dados usados como entradas. Este feedback ajudar-nos-á a dar prioridade aos erros e a identificar as questões mais importantes para o trabalho futuro.

Mensagens de exceção
Exceção da biblioteca.
Exceção da biblioteca: {exception}.
Exceção desconhecida da biblioteca: {exception}. {customer_support_guidance}.

Executar componente Python Script

Pesquise no azureml_main em 70_driver_logs do componente Executar Python Script e você pode encontrar qual linha ocorreu erro. Por exemplo, "File "/tmp/tmp01_ID/user_script.py", linha 17, em azureml_main" indica que o erro ocorreu na linha 17 do seu script Python.

Preparação distribuída

Atualmente, o designer suporta treinamento distribuído para o componente Train PyTorch Model .

Se o componente habilitado para treinamento distribuído falhar sem registros 70_driver , você poderá verificar 70_mpi_log se há detalhes do erro.

O exemplo a seguir mostra que a contagem de nós das configurações de execução é maior do que a contagem de nós disponível do cluster de computação.

O exemplo a seguir mostra que a contagem de processos por nó é maior do que a Unidade de Processamento da computação.

Caso contrário, você pode verificar 70_driver_log cada processo. 70_driver_log_0 é para o processo mestre.