Partilhar via


Exceções do módulo de resolução de problemas no Machine Learning Studio (clássico) usando códigos de erro

Importante

O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.

A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).

A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.

Saiba mais sobre as mensagens de erro e códigos de exceção que poderá encontrar utilizando módulos no Machine Learning Studio (clássico).

Para resolver o problema, procure o erro neste artigo para ler sobre causas comuns. Há duas maneiras de obter o texto completo de uma mensagem de erro em Studio (clássico):

  • Clique no link, ver Registo de saída, no painel direito e rolar para baixo. A mensagem de erro detalhada é apresentada nas duas últimas linhas da janela.

  • Selecione o módulo que tem o erro e clique no X vermelho. Apenas é apresentado o texto de erro pertinente.

Se o texto da mensagem de erro não for útil, envie-nos informações sobre o contexto e quaisquer adições ou alterações desejadas. Pode submeter feedback sobre o tópico de erro ou visitar o fórum Machine Learning Studio (clássico) e publicar uma pergunta.

Erro 0001

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

Receberá este erro se for feita uma seleção de colunas para um módulo, mas as colunas selecionadas não existem no conjunto de dados de entrada. Este erro pode ocorrer se tiver digitado manualmente um nome de coluna ou se o seletor de colunas tiver fornecido uma coluna sugerida que não existisse no seu conjunto de dados quando executou a experiência.

Resolução: Reveja o módulo que lança esta exceção e valide que o nome ou nomes da coluna estão corretos e que todas as colunas referenciadas existem.

Mensagens de exceção
Uma ou mais colunas especificadas não foram encontradas
Coluna com nome ou índice "{0}" não encontrado
Coluna com nome ou índice "{0}" não existe em "{1}"

Erro 0002

A exceção ocorre se um ou mais parâmetros não puderem ser analisados ou convertidos do tipo especificado para o tipo-alvo exigido pelo tipo-alvo.

Este erro ocorre em Machine Learning quando especifica um parâmetro como entrada e o tipo de valor é diferente do tipo que é esperado, e a conversão implícita não pode ser realizada.

Resolução: Verifique os requisitos do módulo e determine qual o tipo de valor necessário (corda, inteiro, duplo, etc.)

Mensagens de exceção
Falhou em analisar o parâmetro
Falhou em analisar o parâmetro "{0}"
Não conseguiu analisar (converter) o parâmetro "{0}" para "{1}"
Falhou na conversão do parâmetro "{0}" de "{1}" para "{2}"
Falha na conversão do valor do parâmetro "{0}{1}" de "{2}" para "{3}"
Não conseguiu converter o valor "{0}" na coluna "{1}" de "{2}" para "{3}" com a utilização do formato "{4}" fornecido

Erro 0003

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

Receberá este erro em Machine Learning se quaisquer entradas ou parâmetros de um módulo estiverem nulos ou vazios. Este erro pode ocorrer, por exemplo, quando não digitou qualquer valor para um parâmetro. Também pode acontecer se escolher um conjunto de dados que tenha valores em falta ou um conjunto de dados vazio.

Resolução:

  • Abra o módulo que produziu a exceção e verifique se todas as entradas foram especificadas. Certifique-se de que todas as entradas necessárias são especificadas.
  • Certifique-se de que os dados que são carregados a partir do armazenamento do Azure estão acessíveis e que o nome ou chave da conta não foi alterado.
  • Verifique os dados de entrada para obter valores em falta ou nulos.
  • Se utilizar uma consulta numa fonte de dados, verifique se os dados estão a ser devolvidos no formato que espera.
  • Verifique se há tipografias ou outras alterações na especificação dos dados.
Mensagens de exceção
Uma ou mais entradas são nulas ou vazias
A entrada "{0}" é nula ou vazia

Erro 0004

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

Receberá este erro em Machine Learning se o parâmetro da mensagem estiver abaixo de um valor limite necessário para que o módulo processe os dados.

Resolução: Reveja o módulo lançando 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 "{0}" deve ser maior do que {1}.
Parâmetro "{0}" tem valor "{1}" que deve ser maior do que {2}

Erro 0005

A exceção ocorre se o parâmetro for inferior a um valor específico.

Receberá este erro em Machine Learning se o parâmetro da mensagem estiver abaixo ou igual a um valor limite necessário para que o módulo processe os dados.

Resolução: Reveja o módulo lançando 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 "{0}" do parâmetro deve ser maior ou igual a {1}.
O parâmetro "{0}" tem valor "{1}" que deve ser maior ou igual a {2}.

Erro 0006

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

Receberá este erro em Machine Learning se o parâmetro da mensagem for maior ou igual a um valor limite necessário para que o módulo processe os dados.

Resolução: Reveja o módulo lançando a exceção e modifique o parâmetro para ser inferior ao valor especificado.

Mensagens de exceção
Parâmetros incompatíveis. Um dos parâmetros deve ser menos que outro.
O valor do parâmetro "{0}" deve ser inferior ao valor do parâmetro "{1}" do parâmetro.
O parâmetro "{0}" tem valor "{1}" que deve ser inferior {2}a .

Erro 0007

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

Receberá este erro em Machine Learning se, nas propriedades do módulo, especificou um valor superior ao permitido. Por exemplo, pode especificar um dado que esteja fora do alcance das datas suportadas, ou pode indicar que cinco colunas são usadas quando apenas três colunas estão disponíveis.

Pode também ver este erro se estiver a especificar dois conjuntos de dados que precisam de coincidir de alguma forma. Por exemplo, se estiver a renomear colunas e especificar as colunas por índice, o número de nomes que fornece deve corresponder ao número de índices de colunas. Outro exemplo pode ser uma operação matemática que usa duas colunas, onde as colunas devem ter o mesmo número de linhas.

Resolução:

  • Abra o módulo em questão e reveja as definições de propriedade numérica.
  • Certifique-se de que quaisquer valores de parâmetros se enquadram na gama de valores suportado para esse imóvel.
  • Se o módulo necessitar de várias entradas, certifique-se de que as entradas são do mesmo tamanho.
  • Se o módulo tiver múltiplas propriedades que podem ser definidas, certifique-se de que as propriedades relacionadas têm valores adequados. Por exemplo, ao utilizar os Dados do Grupo em Bins, se utilizar a opção para especificar bordas personalizadas do caixote, o número de caixotes deve corresponder ao número de valores que fornece como limites de contentores.
  • Verifique se o conjunto de dados ou a fonte de dados mudaram. Por vezes, um valor que funcionou com uma versão anterior dos dados falhará após o número de colunas, os tipos de dados da coluna ou o tamanho dos dados terem mudado.
Mensagens de exceção
Parâmetros incompatíveis. Um dos parâmetros deve ser inferior ou igual a outro.
O valor do parâmetro "{0}" deve ser inferior ou igual ao valor "{1}" do parâmetro.
O parâmetro "{0}" tem valor "{1}" que deve ser inferior ou igual a {2}.

Erro 0008

A exceção ocorre se o parâmetro não estiver ao alcance.

Receberá este erro em Machine Learning se o parâmetro da mensagem estiver fora dos limites necessários para que o módulo processe os dados.

Por exemplo, este erro é apresentado se tentar utilizar Add Rows para combinar dois conjuntos de dados que têm um número diferente de colunas.

Resolução: Reveja o módulo lançando a exceção e modifique o parâmetro para estar dentro do intervalo especificado.

Mensagens de exceção
O valor do parâmetro não está no intervalo especificado.
O valor do parâmetro "{0}" não está ao alcance.
O valor do parâmetro "{0}" deve estar no intervalo de [{1}, {2}].

Erro 0009

A exceção ocorre quando o nome da conta de armazenamento Azure ou o nome do contentor são especificados incorretamente.

Este erro ocorre no Machine Learning Studio (clássico) quando especifica parâmetros para uma conta de armazenamento Azure, mas o nome ou senha não pode ser resolvido. Erros em palavras-passe ou nomes de contas podem acontecer por muitas razões:

  • A conta é do tipo errado. Alguns novos tipos de conta não são suportados para uso com Machine Learning Studio (clássico). Consulte os Dados de Importação para mais detalhes.
  • Inseriu o nome da conta incorreta
  • A conta já não existe
  • A palavra-passe para a conta de armazenamento está errada ou mudou
  • Não especificou o nome do recipiente, ou o contentor não existe.
  • Não especificou completamente o caminho do ficheiro (caminho para a bolha)

Resolução:

Estes problemas ocorrem frequentemente quando se tenta introduzir manualmente o nome da conta, a palavra-passe ou o caminho do contentor. Recomendamos que utilize o novo assistente para o módulo de dados de importação , o que o ajuda a procurar e verificar nomes.

Verifique também se a conta, o recipiente ou a bolha foram apagados. Utilize outro utilitário de armazenamento Azure para verificar se o nome da conta e a palavra-passe foram introduzidos corretamente e que o recipiente existe.

Alguns tipos de conta mais recentes não são suportados por Machine Learning. Por exemplo, os novos tipos de armazenamento "quente" ou "frio" não podem ser utilizados para a aprendizagem automática. Tanto as contas clássicas de armazenamento como as contas de armazenamento criadas como "finalidade geral" funcionam bem.

Se o caminho completo para uma bolha for especificado, verifique se o caminho é especificado como recipiente/blobname, e que tanto o recipiente como o blob existem na conta.

O caminho não deve conter um corte de liderança. Por exemplo /recipiente/bolha está incorreto e deve ser introduzido como recipiente/bolha.

Recursos

Consulte este artigo para obter uma explicação das diferentes opções de armazenamento que são suportadas: Importar dados para Machine Learning Studio (clássico) de várias fontes de dados online com o módulo de Dados de Importação

Experimentações de exemplo

Veja estas experiências na Galeria de Inteligência Cortana por exemplos de como se conectar a diferentes fontes de dados:

Mensagens de exceção
O nome da conta de armazenamento Azure ou o nome do recipiente está incorreto.
O nome da conta de armazenamento Azure "{0}" ou o nome do recipiente "{1}" está incorreto; era esperado um nome de recipiente do recipiente/bolha de formato.

Erro 0010

A exceção ocorre se os conjuntos de dados de entrada tiverem nomes de colunas que devem coincidir, mas não.

Receberá este erro em Machine Learning se o índice de coluna na mensagem tiver nomes de colunas diferentes nos dois conjuntos de dados de entrada.

Resolução: Utilize Metadados de Edição ou modificar o conjunto de dados original para ter o mesmo nome de coluna para o índice de coluna especificado.

Mensagens de exceção
Colunas com índice correspondente em conjuntos de dados de entrada têm nomes diferentes.
Os nomes das colunas não são os mesmos para colunas {0} (baseadas em zero) de conjuntos de dados de entrada ({1} e {2} , respectivamente).

Erro 0011

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

Receberá este erro em Machine Learning se a seleção de colunas especificada não corresponder a nenhuma das colunas do conjunto de dados dados.

Também pode obter este erro se não tiver selecionado uma coluna e pelo menos uma coluna for necessária para que o módulo funcione.

Resolução: Modifique a seleção da coluna no módulo de modo a que se aplique às colunas do conjunto de dados.

Se o módulo exigir que selecione uma coluna específica, como uma coluna de etiqueta, verifique se a coluna certa está selecionada.

Se forem selecionadas colunas inadequadas, remova-as e reexecute a experiência.

Mensagens de exceção
O conjunto de colunas especificado não se aplica a nenhuma das colunas do conjunto de dados.
O conjunto de colunas especificado "{0}" não se aplica a nenhuma das colunas do conjunto de dados.

Erro 0012

A exceção ocorre se o caso de classe não puder ser criado com um conjunto de argumentos aprovados.

Resolução: Este erro não é exequível pelo utilizador e será depreciado numa futura versão.

Mensagens de exceção
Modelo destreinado, modelo de comboio primeiro.
Modelo sem treino ({0}), use modelo treinado.

Erro 0013

A exceção ocorre se o aluno passar para o módulo é um tipo inválido.

Este erro ocorre sempre que um modelo treinado é incompatível com o módulo de pontuação ligado. Por exemplo, ligar a saída do Recomendador de Caixa de Correspondência de Comboio ao Modelo de Pontuação (em vez de Score Matchbox Recommender) gerará este erro quando a experiência é executada.

Resolução:

Determine o tipo de aprendiz que é produzido pelo módulo de treino e determine o módulo de pontuação adequado para o aprendiz.

Se o modelo foi treinado utilizando qualquer um dos módulos de formação especializados, ligue o modelo treinado apenas ao módulo de pontuação especializado correspondente.

Tipo de modelo Módulo de formação Módulo de pontuação
qualquer classificador Modelo de trem ou hiperparímetros de modelo de melodia Modelo de Classificação
qualquer modelo de regressão Modelo de trem ou hiperparímetros de modelo de melodia Modelo de Classificação
modelos de agrupamento Modelo de clustering de trem ou clustering de varredura Assign Data to Clusters (Atribuir Dados a Clusters)
deteção de anomalias - One-Class SVM Preparar Modelo de Deteção de Anomalias Modelo de Classificação
Deteção de anomalias - APC Modelo de trem ou hiperparímetros de modelo de melodia Modelo de
pontuação São necessários passos adicionais para avaliar o modelo.
deteção de anomalias - séries hortemporal Deteção de anomalias de séries de tempo O modelo treina a partir de dados e gera pontuações. O módulo não cria um aprendiz treinado e não é necessária pontuação adicional.
modelo de recomendação Recomendador da caixa de fósforos do comboio Pontuar Matchbox Recomendador
classificação de imagem Classificação de imagem em cascata pré-treinada Modelo de Classificação
Modelos Vowpal Wabbit Modelo 7-4 do trem Vowpal Wabbit Pontuação Vowpal Wabbit Versão 7-4 Modelo
Modelos Vowpal Wabbit Modelo Wabbit 7-10 do comboio Pontuação Vowpal Wabbit Versão 7-10 Modelo
Modelos Vowpal Wabbit Modelo de Wabbit 5 5 de comboio Pontuação Vowpal Wabbit Versão 8 Modelo
Mensagens de exceção
Aprendendo do tipo inválido é passado.
O aprendiz "{0}" tem um tipo inválido.

Erro 0014

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

Este erro ocorre quando uma coluna contém demasiados valores únicos. Por exemplo, pode ver este erro se especificar que uma coluna é tratada como dados categóricos, mas existem demasiados valores únicos na coluna para permitir o processamento completo. Pode também ver este erro se houver uma incompatibilidade entre o número de valores únicos em duas entradas.

Resolução:

Abra o módulo que gerou o erro e identifique as colunas utilizadas como entradas. Para alguns módulos, pode clicar com o botão direito na entrada do conjunto de dados e selecionar o Visualize para obter estatísticas sobre colunas individuais, incluindo o número de valores únicos e a sua distribuição.

Para colunas que pretende utilizar para agrupamento ou categorização, tome medidas para reduzir o número de valores únicos nas colunas. Pode reduzir de diferentes formas, dependendo do tipo de dados da coluna.

Dica

Incapaz de encontrar uma resolução que corresponda ao seu cenário? Pode fornecer feedback sobre este tópico que inclui o nome do módulo que gerou o erro, e o tipo de dados e cardinalidade da coluna. Utilizaremos a informação para fornecer medidas de resolução de problemas mais direcionadas para cenários comuns.

Mensagens de exceção
O número de valores únicos da coluna é maior do que o permitido.
Número de valores únicos na coluna: "{0}" excede a contagem de tuples de {1}.

Erro 0015

A exceção ocorre se a ligação da base de dados tiver falhado.

Receberá este erro se introduzir um SQL nome da conta, palavra-passe, servidor de base de dados ou nome da base de dados, ou se não for possível estabelecer uma ligação com a base de dados devido a problemas na base de dados ou servidor.

Resolução: Verifique se o nome da conta, palavra-passe, servidor de base de dados e base de dados foram corretamente introduzidos e que a conta especificada tem o nível correto de permissões. Verifique se a base de dados está atualmente acessível.

Mensagens de exceção
Ligação de base de dados de erros.
Ligação de base de dados de tomada de erro: {0}.

Erro 0016

A exceção ocorre se os conjuntos de dados de entrada passados para o módulo devem ter tipos de coluna compatíveis, mas não o fazem.

Receberá este erro em Machine Learning se os tipos de colunas passadas em dois ou mais conjuntos de dados não forem compatíveis entre si.

Resolução: Utilize metadados de edição, modifique o conjunto de dados de entrada original ou utilize o Conjunto de Dados para garantir que os tipos de colunas são compatíveis.

Mensagens de exceção
Colunas com índice correspondente em conjuntos de dados de entrada têm tipos incompatíveis.
Colunas {0} e {1} são incompatíveis.
Os tipos de elementos de coluna não são compatíveis com colunas {0} (baseadas em zero) de conjuntos de dados de entrada ({1} e {2} , respectivamente).

Erro 0017

A exceção ocorre se uma coluna selecionada utilizar um tipo de dado que não é suportado pelo módulo atual.

Por exemplo, pode receber este erro em Machine Learning se a sua seleção de colunas incluir uma coluna com um tipo de dado que não pode ser processado pelo módulo, como uma coluna de cordas para uma operação matemática, ou uma coluna de pontuação onde é necessária uma coluna de características categóricas.

Resolução:

  1. Identifique a coluna que é o problema.
  2. Reveja os requisitos do módulo.
  3. Modifique a coluna para a tornar conforme aos requisitos. Poderá ser necessário utilizar vários dos seguintes módulos para escutá em questão, dependendo da coluna e da conversão que está a tentar:
  4. Como último recurso, poderá ser necessário modificar o conjunto de dados de entrada original.

Dica

Incapaz de encontrar uma resolução que corresponda ao seu cenário? Pode fornecer feedback sobre este tópico que inclui o nome do módulo que gerou o erro, e o tipo de dados e cardinalidade da coluna. Utilizaremos a informação para fornecer medidas de resolução de problemas mais direcionadas para cenários comuns.

Mensagens de exceção
Não é possível processar coluna do tipo atual. O tipo não é suportado pelo módulo.
Não é possível processar coluna de tipo {0}. O tipo não é suportado pelo módulo.
Não é possível processar a coluna "{1}" do tipo {0}. O tipo não é suportado pelo módulo.
Não é possível processar a coluna "{1}" do tipo {0}. O tipo não é suportado pelo módulo. Nome do parâmetro: {2}

Erro 0018

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

Resolução: Este erro na Machine Learning pode aparecer em muitos contextos, pelo que não existe uma única resolução. Em geral, o erro indica que os dados fornecidos como entrada num módulo têm o número errado de colunas, ou que o tipo de dados não corresponde aos requisitos do módulo. Por exemplo:

  • O módulo requer uma coluna de etiqueta, mas nenhuma coluna está marcada como uma etiqueta, ou ainda não selecionou uma coluna de etiqueta.

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

  • O módulo requer um tipo de dado específico. Por exemplo, as classificações fornecidas ao Recomendador de Caixas de Partidas de Comboio podem ser numéricas ou categóricas, mas não podem ser números de ponto flutuante.

  • Os dados estão no formato errado.

  • Os dados importados contêm caracteres inválidos, maus valores ou valores fora do alcance.

  • A coluna está vazia ou contém demasiados valores em falta.

Para determinar os requisitos e como os seus dados podem, reveja o tópico de ajuda para o módulo que irá consumir o conjunto de dados como entrada.

Recomendamos também que utilize Estatísticas Básicas de Resumo ou Compute para perfilar os seus dados e utilizar estes módulos para corrigir metadados e valores limpos: Editar Metadados, Limpar Dados Em Falta, Valores de Clipe.

Mensagens de exceção
Conjunto de dados não é válido.
{0} contém dados inválidos.
{0} e {1} deve ser consistente coluna sábia.

Erro 0019

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

Receberá este erro em Machine Learning se os valores da coluna especificados estiverem fora de ordem.

Resolução: Serdene os valores da coluna modificando manualmente o conjunto de dados de entrada e reexame o módulo.

Mensagens de exceção
Os valores na coluna não estão classificados.
Os valores na coluna "{0}" não estão classificados.
Os valores na coluna "{0}" do conjunto de dados "{1}" não estão classificados.

Erro 0020

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

Receberá este erro em Machine Learning se não tiverem sido selecionadas colunas suficientes para um módulo.

Resolução: Reveja o módulo e certifique-se de que 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 inferior ao permitido no mínimo.
O número de colunas no conjunto de dados de entrada é inferior ao permitido no mínimo de {0} colunas.
O número de colunas no conjunto de dados de entrada "{0}" é inferior ao permitido no mínimo de {1} colunas.

Erro 0021

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

Este erro visto em Machine Learning quando não há linhas suficientes no conjunto de dados para executar a operação especificada. Por exemplo, pode ver este erro se o conjunto de dados de entrada estiver vazio, ou se estiver a tentar executar uma operação que exija que algum número mínimo de linhas seja válido. Tais operações podem incluir (mas não se limitam a) agrupamentos ou classificações com base em métodos estatísticos, certos tipos de binning, e aprendizagem com contagens.

Resolução:

  • Abra o módulo que devolveu o erro e verifique as propriedades do conjunto de dados de entrada e do módulo.
  • Verifique se o conjunto de dados de entrada não está vazio e que existem linhas de dados suficientes para satisfazer os requisitos descritos na ajuda do módulo.
  • Se os seus dados forem carregados a partir de uma fonte externa, certifique-se de que a fonte de dados está disponível e que não há erro ou alteração na definição de dados que faria com que o processo de importação ficasse com menos filas.
  • Se estiver a realizar uma operação sobre os dados a montante do módulo que possam afetar o tipo de dados ou o número de valores, tais como limpeza, divisão ou junção de operações, verifique as saídas dessas operações para determinar o número de linhas devolvidas.

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 na Machine Learning pode ocorrer quando o módulo ou funcionamento a jusante requer um número específico de colunas ou entradas, e forneceu poucas ou demasiadas colunas ou entradas. Por exemplo:

  • Especifica uma coluna de etiqueta ou coluna de chave e seleciona acidentalmente várias colunas.

  • Está a renomear colunas, mas desde que haja mais ou menos nomes do que colunas.

  • O número de colunas na fonte ou destino mudou ou não corresponde ao número de colunas utilizadas pelo módulo.

  • Forneceu uma lista de valores separadas por vírgula para entradas, mas o número de valores não corresponde, ou várias entradas não são suportadas.

Resolução: Reveja o módulo e verifique a seleção da coluna para garantir que o número correto de colunas é selecionado. Verifique as saídas dos módulos a montante e os requisitos das operações a jusante.

Se utilizar uma das opções de seleção de colunas que pode selecionar várias colunas (índices de colunas, todas as funcionalidades, todas as características, todos numéricos, etc.), valide o número exato de colunas devolvidas pela seleção.

Se estiver a tentar especificar uma lista separada de vírgulas de conjuntos de dados como entradas para Conjuntos de Dados Zipped Desembalados, desembale apenas um conjunto de dados de cada vez. Várias entradas não são suportadas.

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

Se estiver a utilizar um conjunto de dados de recomendação para treinar um modelo, lembre-se de que o recomendador espera um número limitado de colunas, correspondentes a pares de artigos de utilizador ou classificações de artigos de utilizador. Remova colunas adicionais antes de treinar o modelo ou dividir conjuntos de dados de recomendação. Para mais informações, consulte Dados Divididos.

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 {0}.
O padrão de seleção da coluna "{0}" fornece um número de colunas selecionadas no conjunto de dados de entrada não igual a {1}.
Espera-se que o padrão de seleção da coluna "{0}" forneça {1} colunas selecionadas no conjunto de dados de entrada, mas {2} as colunas são/são fornecidas.

Erro 0023

A exceção ocorre se a coluna-alvo do conjunto de dados de entrada não for válida para o módulo de treinador atual.

Este erro na Machine Learning ocorre se a coluna-alvo (selecionada nos parâmetros do módulo) não for do tipo de dados válido, contiver todos os valores em falta ou não for categórica como esperado.

Resolução: Reveja a entrada do módulo para inspecionar o conteúdo da coluna etiqueta/alvo. Certifique-se de que não tem todos os valores em falta. Se o módulo estiver à espera que a coluna-alvo seja categórica, certifique-se de que existem mais de um valore distinto na coluna-alvo.

Mensagens de exceção
O conjunto de dados de entrada tem coluna-alvo não suportada.
O conjunto de dados de entrada tem coluna-alvo não suportada "{0}".
O conjunto de dados de entrada tem coluna-alvo não suportada "{0}" para o aprendiz do tipo {1}.

Erro 0024

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

Este erro na Machine Learning ocorre quando o módulo requer uma coluna de etiqueta e o conjunto de dados não tem uma coluna de etiqueta. Por exemplo, a avaliação de um conjunto de dados pontuado geralmente requer que uma coluna de etiqueta esteja presente para calcular métricas de precisão.

Também pode acontecer que uma coluna de etiqueta esteja presente no conjunto de dados, mas não detetada corretamente por Machine Learning.

Resolução:

  • Abra o módulo que gerou o erro e determine se está presente uma coluna de etiqueta. O nome ou tipo de dados da coluna não importa, desde que a coluna contenha um único resultado (ou variável dependente) que esteja a tentar prever. Se não tiver a certeza de qual coluna tem a etiqueta, procure um nome genérico como Classe ou Alvo.
  • Se o conjunto de dados não incluir uma coluna de etiquetas, é possível que a coluna da etiqueta tenha sido explicitamente ou acidentalmente removida a montante. Também pode ser que o conjunto de dados não seja a saída de um módulo de pontuação a montante.
  • Para marcar explicitamente a coluna como coluna de etiqueta, adicione o módulo editar metadados e ligue o conjunto de dados. Selecione apenas a coluna de etiqueta e selecione Label da lista de retirada de campos .
  • Se a coluna errada for escolhida como a etiqueta, pode selecionar a etiqueta Clear dos Campos para fixar os metadados na coluna.
Mensagens de exceção
Não existe nenhuma coluna de etiqueta no conjunto de dados.
Não há nenhuma coluna de etiqueta em "{0}".

Erro 0025

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

Este erro na Machine Learning ocorre se a entrada para o modelo de avaliação não contiver colunas de pontuação válidas. Por exemplo, o utilizador tenta avaliar um conjunto de dados antes de ser marcado com um modelo treinado correto, ou a coluna de pontuação foi explicitamente deixada a montante. Esta exceção também ocorre se as colunas de pontuação dos dois conjuntos de dados forem incompatíveis. Por exemplo, pode estar a tentar comparar a precisão de um regresso linear com a de um classificador binário.

Resolução: Reveja a entrada para o modelo de avaliação e examine se contém uma ou mais colunas de pontuação. Caso contrário, o conjunto de dados não foi marcado ou as colunas de pontuação foram deixadas num módulo a montante.

Mensagens de exceção
Não há nenhuma coluna de pontuação no conjunto de dados.
Não há nenhuma coluna de pontuação em "{0}".
Não há nenhuma coluna de pontuação em "{0}" que é produzida por um "{1}". Marque o conjunto de dados utilizando o tipo correto de aprendiz.

Erro 0026

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

Este erro na Machine Learning ocorre se várias colunas tiverem o mesmo nome. Uma das formas de receber este erro é se o conjunto de dados não tiver uma linha de cabeçalho e os nomes das colunas forem automaticamente atribuídos: Col0, Col1, etc.

Resolução: Se as colunas tiverem o mesmo nome, insira um módulo de Metadados de Edição entre o conjunto de dados de entrada e o módulo. Utilize o seletor de colunas em Editar Metadados para selecionar colunas para renomear, digitando os novos nomes na caixa de texto de novos nomes de colunas .

Mensagens de exceção
Nomes de colunas iguais são especificados em argumentos. Nomes de colunas iguais não são permitidos por módulo.
Não são permitidos nomes de colunas iguais nos argumentos "{0}" e "{1}" Especifique nomes diferentes.

Erro 0027

A exceção ocorre no caso de dois objetos terem de ter o mesmo tamanho, mas não são.

Trata-se de um erro comum na Machine Learning e que pode ser causado por muitas condições.

Resolução: Não há uma resolução específica. No entanto, pode verificar se existem condições como:

  • Se estiver a renomear colunas, certifique-se de que cada lista (as colunas de entrada e a lista de novos nomes) tem o mesmo número de itens.

  • Se estiver a juntar-se ou a concatenar dois conjuntos de dados, certifique-se de que têm o mesmo esquema.

  • Se estiver a juntar dois conjuntos de dados que tenham várias colunas, certifique-se de que as colunas-chave têm o mesmo tipo de dados e selecione a opção Permitir duplicações e preservar a ordem da coluna na seleção.

Mensagens de exceção
O tamanho de objetos passados é inconsistente.
O tamanho de "{0}" é inconsistente com o tamanho de "{1}".

Erro 0028

A exceção ocorre no caso de o conjunto de colunas conter nomes de colunas duplicados e não for permitido.

Este erro na Machine Learning ocorre quando os nomes das colunas são duplicados; isto é, não é único.

Resolução: Se alguma coluna tiver o mesmo nome, adicione uma instância de Metadados de Edição entre o conjunto de dados de entrada e o módulo elevando o erro. Utilize o Seletor de Colunas em Metadados de Edição para selecionar colunas para renomear e digite os nomes das novas colunas na caixa de texto de nomes de colunas Novas . Se estiver a renomear várias colunas, certifique-se de que os valores que digita nos nomes da nova coluna são únicos.

Mensagens de exceção
O conjunto de colunas contém nomes de colunas duplicados.
O nome "{0}" é duplicado.
O nome "{0}" é duplicado em "{1}".

Erro 0029

A exceção ocorre no caso de quando o URI inválido é passado.

Este erro na Machine Learning ocorre no caso de passar uri inválido. Receberá este erro se alguma das seguintes condições for verdadeira: ou.

  • O Publico ou SAS URI prevê Armazenamento de Blobs do Azure para leitura ou escrita contém um erro.

  • A janela de tempo para o SAS expirou.

  • O URL web via fonte HTTP representa um ficheiro ou um URI loopback.

  • O URL web via HTTP contém um URL formatado incorretamente.

  • O URL não pode ser resolvido pela fonte remota.

Resolução: Reveja o módulo e verifique o formato do URI. Se a fonte de dados for um URL web via HTTP, verifique se a fonte pretendida não é um ficheiro ou um loopback URI (local local).

Mensagens de exceção
Uri inválido passou.

Erro 0030

A exceção ocorre no caso em que não é possível descarregar um ficheiro.

Esta exceção em Machine Learning ocorre quando não é possível descarregar um ficheiro. Receberá esta exceção quando uma tentativa de leitura de uma fonte HTTP falhou após três (3) tentativas de repetição.

Resolução: Verifique se o URI para a fonte HTTP está correto e que o site está atualmente acessível através da Internet.

Mensagens de exceção
Não é possível descarregar um ficheiro.
Erro ao descarregar o ficheiro: {0}.

Erro 0031

A exceção ocorre se o número de colunas no conjunto de colunas for inferior ao necessário.

Este erro na Machine Learning ocorre se o número de colunas selecionadas for inferior ao necessário. Receberá este erro se o número mínimo de colunas não for selecionado.

Resolução: Adicione colunas adicionais à seleção da coluna utilizando o Seletor de Colunas.

Mensagens de exceção
O número de colunas no conjunto de colunas é inferior ao necessário.
{0} colunas(s) devem ser especificadas. O número real de colunas especificadas é {1}.

Erro 0032

A exceção ocorre se o argumento não for um número.

Receberá este erro em Machine Learning se o argumento for duplo ou NaN.

Resolução: Modifique o argumento especificado para utilizar um valor válido.

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

Erro 0033

A exceção ocorre se o argumento for infinito.

Este erro na Machine Learning ocorre se o argumento for infinito. Receberá este 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.
"{0}" não é finito.

Erro 0034

A exceção ocorre se existir mais de uma classificação para um determinado par de artigos de utilizador.

Este erro na Machine Learning ocorre por recomendação se um par de artigos de utilizador tiver mais de um valor de classificação.

Resolução: Certifique-se de que o par de artigos de utilizador possui apenas um valor de classificação.

Mensagens de exceção
Existe mais de uma classificação para o(s) valor(s) em conjunto de dados.
Mais de uma classificação para utilizador {0} e item {1} na tabela de dados de previsão de classificação.

Erro 0035

A exceção ocorre se não forem fornecidas funcionalidades para um determinado utilizador ou item.

Este erro na Machine Learning ocorre que você está tentando usar um modelo de recomendação para pontuar, mas um vetor de recurso não pode ser encontrado.

Resolução:

O recomendador matchbox tem certos requisitos que devem ser cumpridos quando utilizar as funcionalidades do item ou as funcionalidades do utilizador. Este erro indica que falta um vetor de recurso para um utilizador ou item que forneceu como entrada. Deve certificar-se de que um vetor de funcionalidades está disponível nos dados de cada utilizador ou item.

Por exemplo, se treinou um modelo de recomendação utilizando funcionalidades como a idade, localização ou rendimento do utilizador, mas agora quer criar pontuações para novos utilizadores que não foram vistos durante o treino, deve fornecer algum conjunto equivalente de funcionalidades (nomeadamente, idade, localização e valores de rendimento) para os novos utilizadores, de forma a fazer previsões adequadas para os mesmos.

Se não possuir funcionalidades para estes utilizadores, considere a engenharia de recursos para gerar funcionalidades adequadas. Por exemplo, se não tiver idade de utilizador individual ou valores de rendimento, poderá gerar valores aproximados para utilizar para um grupo de utilizadores.

Quando estiver a pontuar a partir de um modo de recomendação, só pode utilizar o item ou as funcionalidades do utilizador se tiver usado previamente o item ou as funcionalidades do utilizador durante o treino. Para mais informações, consulte score Matchbox Recommender.

Para obter informações gerais sobre o funcionamento do algoritmo de recomendação da Matchbox e como preparar um conjunto de dados das funcionalidades do item ou funcionalidades do utilizador, consulte o Recomendador train Matchbox.

Dica

Resolução não aplicável ao seu caso? É bem-vindo a enviar feedback sobre este artigo e a fornecer informações sobre o cenário, incluindo o módulo e o número de linhas na coluna. Utilizaremos estas informações para fornecer, no futuro, etapas mais pormenorizadas de resolução de problemas.

Mensagens de exceção
Não foram fornecidas funcionalidades para um utilizador ou item necessário.
Características para {0} o necessário, mas não fornecidos.

Erro 0036

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

Este erro na Machine Learning ocorre se um vetor de recurso for definido mais de uma vez.

Resolução: Certifique-se de que o vetor de recurso não é definido mais de uma vez.

Mensagens de exceção
Duplicar a definição de recurso para um utilizador ou item.
Definição de recurso duplicado para {0}.

Erro 0037

A exceção ocorre se várias colunas de etiquetas forem especificadas e apenas uma é permitida.

Este erro na Machine Learning ocorre se mais de uma coluna for selecionada para ser a nova coluna de etiquetas. A maioria dos algoritmos de aprendizagem supervisionados requerem que uma única coluna seja marcada como alvo ou etiqueta.

Resolução: Certifique-se de que seleciona uma única coluna como coluna da nova etiqueta.

Mensagens de exceção
São especificadas várias colunas de etiquetas.

Erro 0038

A exceção ocorre se o número de elementos esperados deve ser um valor exato, mas não é.

Este erro na Machine Learning ocorre se o número de elementos esperados deve ser um valor exato, mas não é. Receberá este erro se o número de elementos não for igual ao valor esperado válido.

Resolução: Modifique a entrada para ter o número correto de elementos.

Mensagens de exceção
O número de elementos não é válido.
O número de elementos em "{0}" não é válido.
O número de elementos em "{0}" não é igual ao número válido de {1} elementos.

Erro 0039

A exceção ocorre se uma operação falhar.

Este erro na Machine Learning ocorre quando uma operação interna não pode ser concluída.

Resolução: Este erro é causado por muitas condições e não existe uma solução específica.
A tabela seguinte contém mensagens genéricas para este erro, que são seguidas por uma descrição específica da circunstância.

Se não houver detalhes disponíveis, envie feedback e forneça informações sobre os módulos que geraram o erro e as condições conexas.

Mensagens de exceção
A operação falhou.
Erro durante a conclusão da operação: {0}.

Erro 0040

A exceção ocorre quando se chama um módulo precotado.

Este erro na Machine Learning é produzido ao chamar um módulo precotado.

Resolução: Substitua o módulo precotado por um suportado. Consulte o registo de saída do módulo para obter informações sobre qual o módulo a utilizar.

Mensagens de exceção
Acesso a módulo precotado.
O módulo "{0}" está precotado. Use o módulo "{1}" em vez disso.

Erro 0041

A exceção ocorre quando se chama um módulo precotado.

Este erro na Machine Learning é produzido ao chamar um módulo precotado.

Resolução: Substitua o módulo precotado por um conjunto de conjuntos suportados. Esta informação deve ser visível no registo de saída do módulo.

Mensagens de exceção
Acesso a módulo precotado.
O módulo "{0}" está precotado. Utilize os módulos "{1}" para a funcionalidade solicitada.

Erro 0042

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

Este erro na Machine Learning ocorre quando não é possível converter coluna para o tipo especificado. Receberá este erro se um módulo necessitar de um determinado tipo de dados, como data, texto, número de ponto flutuante ou número inteiro, mas não é possível converter uma coluna existente para o tipo exigido.

Por exemplo, pode selecionar uma coluna e tentar convertê-la num tipo de dados numérico para utilização numa operação matemática, e obter este erro se a coluna contiver dados inválidos.

Outra razão para obter este erro se tentar utilizar uma coluna que contenha números de pontos flutuantes ou muitos valores únicos como coluna categórica.

Resolução:

  • Abra a página de ajuda para o módulo que gerou o erro e verifique os requisitos do tipo de dados.
  • Reveja os tipos de dados das colunas no conjunto de dados de entrada.
  • Inspecione os dados originários das chamadas fontes de dados sem esquema.
  • Verifique se o conjunto de dados é de valores em falta ou caracteres especiais que possam bloquear a conversão para o tipo de dados pretendido.
    • Os tipos de dados numéricos devem ser consistentes: por exemplo, verifique se existem números de pontos flutuantes numa coluna de inteiros.
    • Procure fios de texto ou valores NA numa coluna de números.
    • Os valores boolean podem ser convertidos para uma representação adequada, dependendo do tipo de dados necessário.
    • Examine colunas de texto para caracteres não-unicocos, caracteres do separador ou caracteres de controlo
    • Os dados da data devem ser consistentes para evitar erros de modelação, mas a limpeza pode ser complexa devido aos vários formatos. Considere usar os módulos executar script r ou executar script python para executar a limpeza.
  • Se necessário, modifique os valores do conjunto de dados de entrada para que a coluna possa ser convertida com sucesso. A modificação pode incluir operações de vinculação, truncação ou arredondamento, eliminação de outliers ou imputação de valores em falta. Consulte os seguintes artigos para alguns cenários comuns de transformação de dados na aprendizagem automática:

Dica

Resolução pouco clara, ou não aplicável ao seu caso? É bem-vindo a enviar feedback sobre este artigo e a fornecer informações sobre o cenário, incluindo o módulo e o tipo de dados da coluna. Utilizaremos estas informações para fornecer, no futuro, etapas mais pormenorizadas de resolução de problemas.

Mensagens de exceção
Não é permitida a conversão.
Não foi possível converter coluna de tipo {0} para coluna do tipo {1}.
Não foi possível converter a coluna "{2}" do tipo {0} para coluna do tipo {1}.
Não foi possível converter a coluna "{2}" do tipo {0} para a coluna "{3}" do tipo {1}.

Erro 0043

A exceção ocorre quando o tipo de elemento não implementa explicitamente Equals.

Este erro na Machine Learning não é desuso e será depreciado.

Resolução: Nenhuma.

Mensagens de exceção
Nenhum método explícito acessível É encontrado.
Não é possível comparar valores para a coluna \\{0}" do tipo {1}. Nenhum método explícito acessível É encontrado.

Erro 0044

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

Este erro na Machine Learning ocorre quando não é possível inferir o tipo de coluna ou colunas num conjunto de dados. Isto acontece normalmente quando concatenat dois ou mais conjuntos de dados com diferentes tipos de elementos. Se Machine Learning não for capaz de determinar um tipo comum capaz de representar todos os valores numa coluna ou colunas sem perda de informação, gerará este erro.

Resolução: Certifique-se de que todos os valores de uma determinada coluna em ambos os conjuntos de dados combinados são do mesmo tipo (numérico, booleano, categórico, corda, data, etc.) ou podem ser coagidos ao 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 "{0}" - todos os elementos são referências nulas.
Não é possível derivar o tipo de elemento para a coluna "{0}" do conjunto de dados "{1}" - 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 fonte.

Este erro na Machine Learning é produzido quando os tipos de elementos de dois conjuntos de dados combinados são diferentes.

Resolução: Certifique-se de que todos os valores numa determinada coluna em ambos os conjuntos de dados combinados são do mesmo tipo (numérico, Boolean, categórico, string, data, etc.).

Mensagens de exceção
Não é possível criar coluna com tipos de elementos mistos.
Não é possível criar coluna com ID{0} "" de tipos de elementos mistos:\n\tType de dados[{1}, {0}] é {2}\n\tType de dados[{3}, {0}] é {4}.

Erro 0046

A exceção ocorre quando não é possível criar diretório em caminho especificado.

Este erro na Machine Learning ocorre quando não é possível criar um diretório no caminho especificado. Receberá este erro se alguma parte do caminho para o diretório de saída de uma Consulta de Colmeia estiver incorreta ou inacessível.

Resolução: Reveja o módulo e verifique se o percurso do diretório está corretamente formatado e que está acessível com as credenciais atuais.

Mensagens de exceção
Especifique um diretório de saída válido.
Diretório: {0} não pode ser criado. Especifique o caminho válido.

Erro 0047

A exceção ocorre se o número de colunas de funcionalidades em alguns dos conjuntos de dados passados para o módulo for demasiado pequeno.

Este erro na Machine Learning ocorre se o conjunto de dados de entrada para a formação não contiver o número mínimo de colunas exigidas pelo algoritmo. Normalmente, ou o conjunto de dados está vazio ou contém apenas colunas de treino.

Resolução: Reveja o conjunto de dados de entrada para se certificar de que existem uma ou mais colunas adicionais para além da coluna da etiqueta.

Mensagens de exceção
O número de colunas de funcionalidades no conjunto de dados de entrada é inferior ao permitido no mínimo.
O número de colunas de características no conjunto de dados de entrada é inferior ao permitido no mínimo de {0} colunas.
O número de colunas de características no conjunto de dados de entrada "{0}" é inferior ao permitido mínimo de {1} colunas.

Erro 0048

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

Este erro na Machine Learning ocorre quando não é possível abrir um ficheiro para leitura ou escrita. Pode receber este erro por estas razões:

  • O recipiente ou o ficheiro (blob) não existe

  • O nível de acesso do ficheiro ou do contentor não lhe permite aceder ao ficheiro

  • O ficheiro é demasiado grande para ser lido ou o formato errado

Resolução: Reveja o módulo e o ficheiro que está a tentar ler.

Verifique se os nomes do recipiente e do ficheiro estão corretos.

Utilize o portal clássico Azure ou uma ferramenta de armazenamento Azure para verificar se tem permissão para aceder ao ficheiro.

Se estiver a tentar ler um ficheiro de imagem, certifique-se de que cumpre os requisitos para ficheiros de imagem em termos de tamanho, número de pixels e assim por diante. Para mais informações, consulte Import Images.

Mensagens de exceção
Incapaz de abrir um ficheiro.
Erro ao abrir o ficheiro: {0}.

Erro 0049

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

Este erro na Machine Learning ocorre quando não é possível analisar um ficheiro. Receberá este erro se o formato de ficheiro selecionado no módulo Dados de Importação não corresponder ao formato real do ficheiro, ou se o ficheiro contiver um carácter irreconhecível.

Resolução: Reveja o módulo e corrija a seleção do formato de ficheiro se não corresponder ao formato do ficheiro. Se possível, inspecione o ficheiro para confirmar que não contém caracteres ilegais.

Mensagens de exceção
Incapaz de analisar um ficheiro.
Erro ao analisar o ficheiro: {0}.

Erro 0050

A exceção ocorre no caso em que os ficheiros de entrada e saída são os mesmos.

Resolução: Este erro na Machine Learning não é desuso e será depreciado.

Mensagens de exceção
Os ficheiros especificados para entrada e saída não podem ser os mesmos.

Erro 0051

A exceção ocorre no caso em que vários ficheiros de saída são os mesmos.

Resolução: Este erro na Machine Learning não é desuso e será depreciado.

Mensagens de exceção
Os ficheiros especificados para saídas não podem ser os mesmos.

Erro 0052

A exceção ocorre se a tecla de conta de armazenamento Azure for especificada incorretamente.

Este erro na Machine Learning ocorre se a chave utilizada para aceder à conta de armazenamento Azure estiver incorreta. Por exemplo, pode ver este erro se a chave de armazenamento Azure foi truncada quando copiada e colada, ou se a chave errada foi utilizada.

Para obter mais informações sobre como obter a chave para uma conta de armazenamento Azure, consulte Ver, copiar e regenerar as teclas de acesso ao armazenamento.

Resolução: Reveja o módulo e verifique se a chave de armazenamento Azure está correta para a conta; copiar a chave novamente do portal clássico Azure, se necessário.

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

Erro 0053

A exceção ocorre no caso de não existirem funcionalidades ou itens do utilizador para recomendações de caixa de correspondência.

Este erro na Machine Learning é produzido quando um vetor de recurso não pode ser encontrado.

Resolução: Certifique-se de que um vetor de recurso está presente no conjunto de dados de entrada.

Mensagens de exceção
As funcionalidades ou/e itens do utilizador são necessários, mas não fornecidos.

Erro 0054

A exceção ocorre se houver poucos valores distintos na coluna para completar o funcionamento.

Resolução: Este erro na Machine Learning não é desuso e será depreciado.

Mensagens de exceção
Os dados têm poucos valores distintos na coluna especificada para completar o funcionamento.
Os dados têm poucos valores distintos na coluna especificada para completar o funcionamento. O mínimo exigido são {0} os elementos.
Os dados têm poucos valores distintos na coluna "{1}" para completar o funcionamento. O mínimo exigido são {0} os elementos.

Erro 0055

A exceção ocorre quando se chama um módulo precotado.

Este erro na Machine Learning aparece se tentar chamar um módulo que foi depreciado.

Resolução:

Mensagens de exceção
Acesso a módulo precotado.
O módulo "{0}" está precotado.

Erro 0056

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

Este erro na Machine Learning ocorre quando se escolhe colunas para uma operação que requer que a coluna seja de um determinado tipo de dados.

Este erro também pode ocorrer se a coluna for o tipo de dados correto, mas o módulo que está a utilizar requer que a coluna também seja marcada como uma função, etiqueta ou coluna categórica.

Por exemplo, o módulo Converte para Valores Indicadores requer que as colunas sejam categóricas e levantará este erro se selecionar uma coluna de funcionalidades ou coluna de etiqueta.

Resolução:

  1. Reveja o tipo de dados das colunas que estão atualmente selecionadas.

  2. Atenção se as colunas selecionadas são categóricas, etiquetadas ou colunas de características.

  3. Reveja o tópico de ajuda para o módulo em que fez a seleção da coluna, para determinar se existem requisitos específicos para o tipo de dados ou utilização da coluna.

  4. Utilize metadados de edição para alterar o tipo de coluna durante a duração desta operação. Certifique-se de que altera o tipo de coluna de volta ao seu valor original, utilizando outra instância de Metadados de Edição, se precisar para operações a jusante.

Mensagens de exceção
Uma ou mais colunas selecionadas não estavam numa categoria permitida.
Coluna com nome "{0}" não está numa categoria permitida.

Erro 0057

A exceção ocorre quando se tenta criar um ficheiro ou bolha que já existe.

Esta exceção ocorre quando está a utilizar o módulo de Dados de Exportação ou outro módulo para guardar os resultados de uma experiência em Machine Learning para o armazenamento de blob Azure, mas tenta criar um ficheiro ou bolha que já existe.

Resolução:

Só receberá este erro se tiver definido previamente o modo de escrita de armazenamento de blob da propriedade Azure para Error. Por design, este módulo levanta um erro se tentar escrever um conjunto de dados para uma bolha que já existe.

  • Abra as propriedades do módulo e altere o modo de escrita de armazenamento de bolhas Azure paraOverwrite.
  • Em alternativa, pode escrever o nome de uma bolha ou ficheiro de destino diferente e não se esqueça de especificar uma bolha que já não existe.
Mensagens de exceção
O ficheiro ou blob já existe.
O ficheiro ou a Blob "{0}" já existem.

Erro 0058

Este erro na Machine Learning ocorre se o conjunto de dados não contiver a coluna de etiquetas esperada.

Esta exceção também pode ocorrer quando a coluna de etiqueta fornecida não corresponde aos dados ou tipos de dados esperados pelo aluno, ou tem os valores errados. Por exemplo, esta exceção é produzida quando se utiliza uma coluna de etiquetas de valor real ao treinar um classificador binário.

Resolução: A resolução depende do aluno ou do treinador que está a utilizar e dos tipos de dados das colunas no seu conjunto de dados. Em primeiro lugar, verifique os requisitos do algoritmo de aprendizagem automática ou módulo de treino.

Reveja o conjunto de dados de entrada. Verifique se a coluna que espera ser tratada como a etiqueta tem o tipo de dados certo para o modelo que está a criar.

Verifique se há valores em falta e elimine-os ou substitua-os se necessário.

Se necessário, adicione o módulo editar metadados e certifique-se de que a coluna da etiqueta está marcada como uma etiqueta.

Mensagens de exceção
A coluna do rótulo não é como esperado.
A coluna do rótulo não é como esperado em "{0}".
A coluna de etiqueta "{0}" não é esperada em "{1}".

Erro 0059

A exceção ocorre se um índice de coluna especificado num selecionador de colunas não puder ser analisado.

Este erro na Machine Learning ocorre se um índice de coluna especificado na utilização do Seletor de Colunas não puder ser analisado. Receberá este erro quando o índice da coluna estiver num formato inválido que não possa ser analisado.

Resolução: Modifique o índice da coluna para utilizar um valor de índice válido.

Mensagens de exceção
Um ou mais índices de coluna especificados ou intervalos de índice não podiam ser analisados.
O índice de coluna ou o intervalo "{0}" não podiam ser analisados.

Erro 0060

A exceção ocorre quando uma coluna fora de alcance é especificada num selecionador de colunas.

Este erro na Machine Learning ocorre quando uma gama de colunas fora de alcance é especificada no Seletor de Colunas. Receberá este erro se o intervalo de colunas no selecionador de colunas não corresponder às colunas do conjunto de dados.

Resolução: Modificar o intervalo de colunas no selecionador de colunas para corresponder às colunas do conjunto de dados.

Mensagens de exceção
Inválido ou fora do intervalo de índice de colunas especificado.
O alcance da coluna "{0}" é inválido ou fora de alcance.

Erro 0061

A exceção ocorre quando se tenta adicionar uma linha a uma DataTable que tem um número diferente de colunas do que a tabela.

Este erro na Machine Learning ocorre quando se tenta adicionar uma linha a um conjunto de dados que tem um número diferente de colunas do que o conjunto de dados. Receberá este erro se a linha que está a ser adicionada ao conjunto de dados tiver um número diferente de colunas do conjunto de dados de entrada. A linha não pode ser anexada ao conjunto de dados se o número de colunas for diferente.

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

Mensagens de exceção
Todas as mesas devem ter o mesmo número de colunas.

Erro 0062

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

Este erro na Machine Learning é produzido quando as métricas de avaliação de 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 aprendizagem automática (classificação binária, regressão, classificação multi-classes, recomendação, agrupamento, deteção de anomalias, etc.) Todos os modelos que comparar devem ter o mesmo tipo de aprendiz.

Mensagens de exceção
Todos os modelos devem ter o mesmo tipo de aprendiz.

Erro 0063

Esta exceção é levantada quando a avaliação do script R falha com um erro.

Este erro ocorre quando forneceu um script R num dos módulos de linguagem R em Machine Learning, e o código R contém erros de sintaxe interna. A exceção também pode ocorrer se fornecer as entradas erradas no script R.

O erro também pode ocorrer se o script for demasiado grande para ser executado no espaço de trabalho. O tamanho máximo do script para o módulo Execut R Script é de 1.000 linhas ou 32 KB de espaço de trabalho, o que for menor.

Resolução:

  1. Em Machine Learning Studio (clássico), clique à direita no módulo que tem o erro e selecione Ver Registo.
  2. Examine o registo de erro padrão do módulo, que contém o traço da pilha.
    • As linhas que começam com [ModuleOutput] indicam a saída de R.
    • As mensagens de R marcadas como avisos normalmente não fazem com que a experiência falhe.
  3. Resolver problemas de script.
    • Verifique se há erros de sintaxe R. Verifique se há variáveis definidas mas nunca povoadas.
    • Reveja os dados de entrada e o script para determinar se os dados ou variáveis nos caracteres de utilização do script não suportados por Machine Learning.
    • Verifique se todas as dependências do pacote estão instaladas.
    • Verifique se as suas cargas de código requerem bibliotecas que não sejam carregadas por defeito.
    • Verifique se as embalagens necessárias são a versão correta.
    • Certifique-se de que qualquer conjunto de dados que pretenda obter seja convertido para um quadro de dados.
  4. Reenviar a experiência.

Nota

Estes tópicos contêm exemplos de código R que você pode usar, bem como links para experiências na Cortana Intelligence Gallery que usam script R.

Mensagens de exceção
Erro durante a avaliação do script R.
O seguinte erro ocorreu durante a avaliação do script R: ---------- Mensagem de erro de R ---------- {0} ----------- mensagem de erro final de R -----------
Durante a avaliação do guião R ocorreu{1} o seguinte erro: ---------- mensagem de início de erro de R ---------- {0} ----------- mensagem de erro de R -----------

Erro 0064

A exceção ocorre se o nome da conta de armazenamento Azure ou a chave de armazenamento forem especificados incorretamente.

Este erro na Machine Learning ocorre se o nome ou a chave de armazenamento Azure for especificado incorretamente. Receberá este erro se introduzir um nome de conta ou senha incorreto para a conta de armazenamento. Isto pode ocorrer se introduzir manualmente o nome da conta ou a palavra-passe. Pode também ocorrer se a conta tiver sido eliminada.

Resolução: Verifique se o nome da conta e a palavra-passe foram introduzidos corretamente e se a conta existe.

Mensagens de exceção
O nome ou chave de armazenamento Azure está incorreto.
O nome da conta de armazenamento Azure "{0}" ou a chave de armazenamento para o nome da conta está incorreto.

Erro 0065

A exceção ocorre se o nome da bolha Azure for especificado incorretamente.

Este erro na Machine Learning ocorre se o nome da bolha Azure for especificado incorretamente. Receberá o erro se:

  • A bolha não pode ser encontrada no recipiente especificado.

  • O nome totalmente qualificado da bolha especificada para a saída num dos Aprendizagem com módulos Condes é superior a 512 caracteres.

  • Apenas o contentor foi especificado como fonte num pedido de Dados de Importação quando o formato foi Excel ou CSV com codificação; a concatenação do conteúdo de todas as bolhas dentro de um recipiente não é permitida com estes formatos.

  • Um SAS URI não contém o nome de uma bolha válida.

Resolução: Revisite o módulo que lança a exceção. Verifique se existe a bolha especificada no recipiente na conta de armazenamento e que as permissões permitem ver a bolha. Verifique se a entrada é do nome de recipiente/nome de arquivo se tiver Excel ou CSV com formatos de codificação. Verifique se um SAS URI contém o nome de uma bolha válida.

Mensagens de exceção
A bolha de armazenamento Azure está incorreta.
O nome de bolha de armazenamento Azure "{0}" está incorreto

Erro 0066

A exceção ocorre se um recurso não puder ser enviado para uma Bolha Azure.

Este erro na Machine Learning ocorre se um recurso não puder ser enviado para uma Bolha Azure. Receberá esta mensagem se o Modelo Preparar Vowpal Wabbit 7-4 encontrar algum erro ao tentar guardar o modelo ou o hash criado ao preparar o modelo. Ambos são guardados na mesma conta de armazenamento Azure que a conta que contém o ficheiro de entrada.

Resolução: Revisite o módulo. Verifique se o nome da conta Azure, a chave de armazenamento e o recipiente estão corretos e que a conta tem permissão para escrever ao recipiente.

Mensagens de exceção
O recurso não pôde ser enviado para o armazenamento da Azure.
O ficheiro "{0}" não pôde ser enviado para o armazenamento do Azure como {1}.

Erro 0067

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

Este erro na Machine Learning ocorre se um conjunto de dados tiver um número diferente de colunas do que o esperado. Receberá este erro quando o número de colunas no conjunto de dados for diferente do número de colunas que o módulo espera durante a execução.

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

Mensagens de exceção
Número inesperado de colunas na datatável.
Colunas esperadas{0}, mas encontraram colunas "{1}" em vez disso.

Erro 0068

A exceção ocorre se o script da Colmeia especificado não estiver correto.

Este erro na Machine Learning ocorre se houver erros de sintaxe num script Hive QL, ou se o intérprete da Hive encontrar um erro durante a execução da consulta ou do script.

Resolução:

A mensagem de erro da Hive é normalmente reportada no Registo de Erros para que possa tomar medidas com base no erro específico.

  • Abra o módulo e inspecione a consulta para obter erros.
  • Verifique se a consulta funciona corretamente fora da Machine Learning iniciando sessão na consola Hive do seu cluster Hadoop e executando a consulta.
  • Experimente colocar comentários no seu script Hive numa linha separada em vez de misturar declarações e comentários executáveis numa única linha.

Recursos

Consulte os seguintes artigos para obter ajuda com consultas de Hive para machine learning:

Mensagens de exceção
O guião da colmeia está incorreto.
O guião da {0} colmeia não está correto.

Erro 0069

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

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

Receberá este erro se o SQL motor encontrar algum erro durante a execução da consulta ou do script. A mensagem de erro SQL é normalmente reportada no Registo de Erros para que possa tomar medidas com base no erro específico.

Resolução: Reveja o módulo e inspecione a SQL consulta de erros.

Verifique se a consulta funciona corretamente fora do Azure ML fazendo login diretamente no servidor de base de dados e executando a consulta.

Se houver uma mensagem gerada SQL reportada pela exceção do módulo, tome medidas com base no erro reportado. Por exemplo, as mensagens de erro por vezes incluem orientações específicas sobre o erro provável:

  • Nenhuma coluna ou base de dados em falta, indicando que pode ter digitado um nome de coluna errado. Se tiver a certeza de que o nome da coluna está correto, tente utilizar suportes ou marcas de aspas para fechar o identificador de colunas.
  • SQL erro lógico perto <SQL palavra-chave>, indicando que pode ter um erro de sintaxe antes da palavra-chave especificada
Mensagens de exceção
SQL guião está incorreto.
SQL consulta "{0}" não está correta.
SQL consulta "{0}" não está correta:{1}

Erro 0070

A exceção ocorre quando se tenta aceder à tabela Azure inexistente.

Este erro na Machine Learning ocorre quando se tenta aceder a uma tabela Azure inexistente. Receberá este erro se especificar uma tabela no armazenamento Azure, que não existe ao ler ou escrever para a Tabela Azure Armazenamento. Isto pode acontecer se desajustar o nome da tabela desejada, ou se tiver um desfasamento entre o nome-alvo e o tipo de armazenamento. Por exemplo, pretendia ler de uma mesa, mas inseriu o nome de uma bolha.

Resolução: Reveja o módulo para verificar se o nome da tabela está correto.

Mensagens de exceção
A mesa azul não existe.
A mesa azul "{0}" não existe.

Erro 0071

A exceção ocorre se as credenciais fornecidas estiverem incorretas.

Este erro na Machine Learning ocorre se as credenciais fornecidas estiverem incorretas.

Pode também receber este erro se o módulo não conseguir ligar-se a um cluster HDInsight.

Resolução: Reveja as entradas no módulo e verifique o nome da conta e a palavra-passe.

Verifique os seguintes problemas que podem causar um erro:

  • O esquema do conjunto de dados não corresponde ao esquema do dados de destino.

  • Faltam nomes de colunas ou mal escritos

  • Estás a escrever para uma mesa com nomes de colunas com caracteres ilegais. Normalmente, pode incluir esses nomes de colunas em parênteses quadrados, mas se isso não funcionar, edite nomes de colunas para usar apenas letras e sublinhados (_)

  • As cordas que está a tentar escrever contêm marcas únicas de aspas

Se estiver a tentar ligar-se a um cluster HDInsight, verifique se o cluster alvo está acessível com as credenciais fornecidas.

Mensagens de exceção
Credenciais incorretas são passadas.
O nome de utilizador incorreto "{0}" ou palavra-passe é passado

Erro 0072

A exceção ocorre no caso de tempo limite de ligação.

Este erro na Machine Learning ocorre quando uma ligação termina. Receberá este erro se existirem atualmente problemas de conectividade com a fonte ou destino de dados, como a conectividade lenta da internet, ou se o conjunto de dados for grande e/ou a consulta SQL para ler nos dados realiza um processamento complicado.

Resolução: Determine se existem atualmente problemas com ligações lentas ao armazenamento do Azure ou à internet.

Mensagens de exceção
O tempo limite de ligação ocorreu.

Erro 0073

A exceção ocorre se ocorrer um erro ao converter uma coluna para outro tipo.

Este erro na Machine Learning ocorre quando não é possível converter coluna para outro tipo. Receberá este erro se um módulo necessitar de 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
Falhou em converter a coluna.
Falhou em converter coluna para {0}.

Erro 0074

A exceção ocorre quando os Metadados de Edição tentam converter uma coluna escassa em categórica.

Este erro na Machine Learning ocorre quando o Metadados de Edição tenta converter uma coluna escassa em categórica. Receberá este erro ao tentar converter colunas escassas em categóricas com a opção Fazer categórica . Machine Learning não suporta matrizes categóricas escassas, por isso o módulo falhará.

Resolução: Torne a coluna densa utilizando converter primeiro o conjunto de dados ou não converter a coluna em categórico.

Mensagens de exceção
Colunas escassas não podem ser convertidas em Categoricamente.

Erro 0075

A exceção ocorre quando uma função de binário inválido é utilizada ao quantificar um conjunto de dados.

Este erro na Machine Learning ocorre quando se está a tentar remetar dados usando um método não suportado, ou quando as combinações de parâmetros são inválidas.

Resolução:

O tratamento de erros para este evento foi introduzido numa versão anterior de Machine Learning que permitiu uma maior personalização dos métodos de binário. Atualmente, todos os métodos de ligação são baseados numa seleção de uma lista de abandono, pelo que, tecnicamente, não deverá continuar a ser possível obter este erro.

Se tiver este erro ao utilizar o módulo 'Dados do Grupo' em Bins, considere reportar o problema no fórum Machine Learning, fornecendo os tipos de dados, as definições de parâmetros e a mensagem de erro exata.

Mensagens de exceção
Função de binário inválido utilizada.

Erro 0077

A exceção ocorre quando o modo de escrita de ficheiro blob desconhecido passou.

Este erro na Machine Learning ocorre se um argumento inválido for transmitido nas especificações de um destino ou fonte de ficheiro blob.

Resolução: Em quase todos os módulos que importam ou exportam dados de e para o armazenamento de blob Azure, os valores dos parâmetros que controlam o modo de escrita são atribuídos através de uma lista de abandono; portanto, não é possível passar um valor inválido, e este erro não deve aparecer. Este erro será depreciado numa versão posterior.

Mensagens de exceção
Blob não suportado escreve modo.
Blob não suportado escreve modo: {0}.

Erro 0078

A exceção ocorre quando a opção HTTP para Dados de Importação recebe um código de estado 3xx indicando reorientação.

Este erro em Machine Learning ocorre quando a opção HTTP para Dados de Importação recebe um código de estado de 3xx (301, 302, 304, etc.) que indica a reorientação. Receberá este erro se tentar ligar-se a uma fonte HTTP que redireciona o navegador para outra página. Por razões de segurança, a reorientação de websites não é permitida como fonte de dados para Machine Learning.

Resolução: Se o site for um site de confiança, insira o URL redirecionado diretamente.

Mensagens de exceção
Reorientação de http não é permitida

Erro 0079

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

Este erro na Machine Learning ocorre se o nome do recipiente de armazenamento Azure for especificado incorretamente. Receberá este erro se não tiver especificado o nome do recipiente e do blob (ficheiro) utilizando o Caminho para blob começando com a opção de recipiente ao escrever para Armazenamento de Blobs do Azure.

Resolução: Reveja o módulo dados de exportação e verifique se o caminho especificado para a bolha contém tanto o recipiente como o nome do ficheiro, no formato recipiente/nome de arquivo.

Mensagens de exceção
O nome do recipiente de armazenamento Azure está incorreto.
O nome do recipiente de armazenamento Azure "{0}" está incorreto; esperava-se um nome de recipiente do recipiente/bolha de formato.

Erro 0080

A exceção ocorre quando a coluna com todos os valores em falta não é permitida pelo módulo.

Este erro na Machine Learning é produzido quando uma ou mais das colunas consumidas pelo módulo contêm todos os valores em falta. Por exemplo, se um módulo estiver a calcular estatísticas agregadas para cada coluna, não pode funcionar numa coluna sem dados. Nestes casos, a execução do módulo é interrompida com esta exceção.

Resolução: Reveja o conjunto de dados de entrada e remova quaisquer colunas que contenham todos os valores em falta.

Mensagens de exceção
Não são permitidas colunas com todos os valores em falta.
A coluna {0} tem todos os valores em falta.

Erro 0081

A exceção ocorre no módulo PCA se o número de dimensões a reduzir for igual ao número de colunas de funcionalidades no conjunto de dados de entrada, contendo pelo menos uma coluna de características escassas.

Este erro na Machine Learning é produzido se forem satisfeitas as seguintes condições: a O conjunto de dados de entrada tem pelo menos uma coluna escassa 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 inferior ao número de dimensões na entrada. Isto é típico em aplicações de APC. Para mais informações, consulte a Análise principal de Componentes.

Mensagens de exceção
Para o conjunto de dados que contenha colunas de características escassas, o número de dimensões a reduzir deve ser inferior ao número de colunas de características.

Erro 0082

A exceção ocorre quando um modelo não pode ser deseralizado com sucesso.

Este erro na Machine Learning ocorre quando um modelo ou transformação de máquinas de aprendizagem guardada não pode ser carregado por uma versão mais recente do tempo de execução Machine Learning como resultado de uma mudança de rutura.

Resolução: A experiência de formação que produziu o modelo ou a transformação deve ser re-realizada e o modelo ou transformação deve ser ressaltado.

Mensagens de exceção
O modelo não podia ser deseralizado porque é provável que seja serializado com um formato de serialização mais antigo. Retreine e relemine o modelo.

Erro 0083

A exceção ocorre se o conjunto de dados utilizado para a formação não puder ser utilizado para o tipo de aprendiz de concreto.

Este erro na Machine Learning é produzido quando o conjunto de dados é incompatível com a formação do aluno. Por exemplo, o conjunto de dados pode conter pelo menos um valor em falta em cada linha, e como resultado, todo o conjunto de dados seria ignorado durante o treino. Noutros casos, alguns algoritmos de aprendizagem automática, como a deteção de anomalias, não esperam que as etiquetas estejam presentes e podem lançar esta exceção se as etiquetas estiverem presentes no conjunto de dados.

Resolução: Consulte a documentação do aluno que está a ser utilizado para verificar os requisitos do conjunto de dados de entrada. Examine as colunas para ver se todas as colunas necessárias estão presentes.

Mensagens de exceção
O conjunto de dados utilizado para o treino é inválido.
{0} contém dados inválidos para o treino.
{0} contém dados inválidos para o treino. Tipo de aprendiz: {1}.

Erro 0084

A exceção ocorre quando as pontuações produzidas a partir de um Script R são avaliadas. Isto não é apoiado.

Este erro na Machine Learning ocorre se tentar utilizar um dos módulos para avaliar um modelo com saída a partir de um script R que contenha pontuações.

Resolução:

Mensagens de exceção
A avaliação das pontuações produzidas por R não é atualmente suportada.

Erro 0085

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

Este erro na Machine Learning ocorre quando está a executar scripts personalizados que contêm erros de sintaxe.

Resolução: Reveja o seu código num 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, ver o registo de saída para obter mais informações: ---------- mensagem de erro do {0} intérprete ---------- {1} ---------- mensagem de erro final do {0} intérprete ----------

Erro 0086

A exceção ocorre quando uma transformação de contagem é inválida.

Este erro na Machine Learning ocorre quando seleciona uma transformação com base numa tabela de contagem, mas a transformação selecionada é incompatível com os dados atuais, ou com a nova tabela de contagem.

Resolução: O módulo suporta salvar as contagens e regras que compõem a transformação em dois formatos diferentes. Se estiver a fundir tabelas de contagem, verifique se ambas as tabelas pretende fundir-se utilize o mesmo formato.

Em geral, uma transformação baseada na contagem só pode ser aplicada a conjuntos de dados que têm o mesmo esquema que o conjunto de dados em que a transformação foi originalmente criada.

Para obter informações gerais, consulte Aprendizagem com o Condes. Para requisitos específicos para criar e fundir funcionalidades baseadas na contagem, consulte estes tópicos:

Mensagens de exceção
Transformação de contagem inválida especificada.
A transformação da contagem na porta de entrada '{0}' é inválida.
A transformação da contagem na porta de entrada não{0} pode ser fundida com a transformação da contagem na porta de entrada '{1}'. Verifique para verificar os metadados utilizados para a contagem de correspondências.

Erro 0087

A exceção ocorre quando um tipo de tabela de contagem inválida é especificado para aprendizagem com módulos de contagem.

Este erro na Machine Learning ocorre quando se tenta importar uma tabela de contagem existente, mas a tabela é incompatível com os dados atuais, ou com a nova tabela de contagem.

Resolução: Existem diferentes formatos para salvar as contagens e regras que compõem a transformação. Se estiver a fundir tabelas de contagem, verifique se ambos utilizam o mesmo formato.

Geralmente, uma transformação baseada na contagem só pode ser aplicada a conjuntos de dados que têm o mesmo esquema que o conjunto de dados em que a transformação foi originalmente criada.

Para obter informações gerais, consulte Aprendizagem com o Condes. Para requisitos específicos para criar e fundir funcionalidades baseadas na contagem, consulte estes tópicos:

Erro 0088

A exceção ocorre quando um tipo de contagem inválida é especificado para a aprendizagem com módulos de contagem.

Este erro na Machine Learning ocorre quando se tenta utilizar um método de contagem diferente do que é suportado para a caracterização baseada na contagem.

Resolução: Em geral, os métodos de contagem são escolhidos a partir de uma lista de dropdown, pelo que não deve ver este erro.

Para obter informações gerais, consulte Aprendizagem com o Condes. Para requisitos específicos para criar e fundir funcionalidades baseadas na contagem, consulte estes tópicos:

Mensagens de exceção
É especificado o tipo de contagem inválida.
O tipo de contagem especificado '{0}' não é um tipo de contagem válido.

Erro 0089

A exceção ocorre quando o número especificado de classes é inferior ao número real de classes num conjunto de dados utilizado para a contagem.

Este erro na Machine Learning ocorre quando está a criar uma tabela de contagem e a coluna de etiquetas contém um número diferente de classes do que o especificado nos parâmetros do módulo.

Resolução: Verifique o seu conjunto de dados e descubra exatamente quantos valores distintos (classes possíveis) existem na coluna da etiqueta. Quando criar a tabela de contagem, deve especificar pelo menos este número de aulas.

A tabela de contagem não pode determinar automaticamente o número de classes disponíveis.

Quando se cria a tabela de contagem, não é possível especificar 0 ou qualquer número inferior ao número real de classes na coluna do rótulo.

Mensagens de exceção
O número de aulas está incorreto. Certifique-se de que o número de classes especifica no painel de parâmetros é superior ou igual ao número de classes na coluna do rótulo.
O número de classes especificadas é '{0}', que não é superior a um valor de etiqueta '{1}' no conjunto de dados utilizado para contar. Certifique-se de que o número de classes especifica no painel de parâmetros é superior ou igual ao número de classes na coluna do rótulo.

Erro 0090

A exceção ocorre quando a criação da mesa da Colmeia falha.

Este erro na Machine Learning ocorre quando está a utilizar dados de exportação ou outra opção para guardar dados para um cluster HDInsight e a tabela de Colmeia especificada não pode ser criada.

Resolução: Verifique o nome da conta de armazenamento Azure associada ao cluster e verifique se está a utilizar a mesma conta nas propriedades do módulo.

Mensagens de exceção
A mesa da Colmeia não pôde ser criada. Para um cluster HDInsight, certifique-se de que o nome da conta de armazenamento Azure associado ao cluster é o mesmo que é passado através do parâmetro do módulo.
A mesa da Colmeia "{0}" não pôde ser criada. Para um cluster HDInsight, certifique-se de que o nome da conta de armazenamento Azure associado ao cluster é o mesmo que é passado através do parâmetro do módulo.
A mesa da Colmeia "{0}" não pôde ser criada. Para um cluster HDInsight, certifique-se de que o nome da conta de armazenamento Azure associado ao cluster é "{1}".

Erro 0100

A exceção ocorre quando um idioma não suportado é especificado para um módulo personalizado.

Este erro na Machine Learning ocorre quando se constrói um módulo personalizado e a propriedade do nome do elemento idioma num ficheiro de definição de módulo personalizado xml tem um valor inválido. Atualmente, o único valor válido para esta propriedade é R. Por exemplo:

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

Resolução: Verifique se a propriedade do nome do elemento idioma no ficheiro de definição de módulo personalizado xml está definida para R. Guarde o ficheiro, atualize o pacote zip do módulo personalizado e tente adicionar novamente o módulo personalizado.

Mensagens de exceção
Linguagem de módulo personalizado não suportada especificada

Erro 0101

Todos os IDs de porta e parâmetros devem ser únicos.

Este erro na Machine Learning ocorre quando uma ou mais portas ou parâmetros são atribuídos o mesmo valor de ID num ficheiro de definição de módulo personalizado XML.

Resolução: Verifique se os valores de ID em todas as portas e parâmetros são únicos. Guarde o ficheiro xml, atualize o pacote zip do módulo personalizado e tente adicionar novamente o módulo personalizado.

Mensagens de exceção
Todos os IDs de porta e parâmetro para um módulo devem ser únicos
O módulo '{0}' tem iDs de porta/argumento duplicados. Todos os IDs de porta/argumento devem ser únicos para um módulo.

Erro 0102

Lançado quando um ficheiro ZIP não pode ser extraído.

Este erro na Machine Learning ocorre quando está a importar um pacote com fecho com a extensão .zip, mas o pacote ou não é um ficheiro zip, ou o ficheiro não utiliza um formato zip suportado.

Resolução: Certifique-se de que o ficheiro selecionado é um ficheiro .zip válido e que foi comprimido utilizando um dos algoritmos de compressão suportados.

Se tiver este erro ao importar conjuntos de dados em formato comprimido, verifique se todos os ficheiros contidos utilizam um dos formatos de ficheiros suportados e estão em formato Unicode. Para obter mais informações, consulte Conjuntos de dados Zipped Desembalados.

Tente ler os ficheiros desejados para uma nova pasta com fecho comprimido e tente adicionar novamente o módulo personalizado.

Mensagens de exceção
Dado que o ficheiro ZIP não está no formato correto

Erro 0103

Lançado quando um ficheiro ZIP não contém nenhum .xml ficheiros

Este erro na Machine Learning ocorre quando o pacote zip do módulo personalizado não contém qualquer definição de módulo (.xml) ficheiros. Estes ficheiros precisam de residir na raiz do pacote zip (por exemplo, não dentro de uma sub-dobradeira.)

Resolução: Verifique se um ou mais ficheiros de definição de módulos xml estão na pasta raiz do pacote zip, extraindo-o para uma pasta temporária na unidade do disco. Quaisquer ficheiros xml devem estar diretamente na pasta para a quais extraiu o pacote zip. Certifique-se de que, quando criar o pacote zip, não selecione uma pasta que contenha ficheiros XML para zip, uma vez que esta criará uma sub-pasta dentro da embalagem zip com o mesmo nome que a pasta selecionada para fechar.

Mensagens de exceção
Dado que o ficheiro ZIP não contém quaisquer ficheiros de definição de módulos (.xml ficheiros)

Erro 0104

Lançado quando um ficheiro de definição de módulo refere um script que não pode ser localizado

Este erro na Machine Learning é lançado quando um ficheiro de definição de módulo personalizado xml faz referência a um ficheiro de script no elemento idioma que não existe no pacote zip. O caminho do ficheiro do script é definido na propriedade sourceFile do elemento Idioma . O caminho para o ficheiro de origem é relativo à raiz do pacote zip (mesmo local que os ficheiros de definição de módulo xml). Se o ficheiro de script estiver numa sub-pasta, o caminho relativo para o ficheiro de script deve ser especificado. Por exemplo, se todos os scripts fossem armazenados numa pasta myScripts dentro do pacote zip, o elemento idioma teria de adicionar este caminho à propriedade sourceFile como abaixo. Por exemplo:

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

Resolução: Certifique-se de que o valor da propriedade sourceFile no elemento idioma da definição de xml do módulo personalizado está correto e que o ficheiro de origem existe no caminho relativo correto no pacote zip.

Mensagens de exceção
O ficheiro de script R referenciado não existe.
O ficheiro de script R referenciado não{0} pode ser encontrado. Certifique-se de que o caminho relativo para o ficheiro está correto a partir da localização das definições.

Erro 0105

Este erro é apresentado quando um ficheiro de definição de módulo contém um tipo de parâmetro não suportado

Este erro em Machine Learning é produzido quando se cria uma definição de xml de módulo personalizado e o tipo de parâmetro ou argumento na definição não corresponde a um tipo suportado.

Resolução: Certifique-se de que a propriedade tipo de qualquer elemento Arg no ficheiro de definição de módulo personalizado xml é um tipo suportado.

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

Erro 0106

Lançado quando um ficheiro de definição de módulo define um tipo de entrada não suportado

Este erro na Machine Learning é produzido quando o tipo de porta de entrada numa definição de XML de módulo personalizado não corresponde a um tipo suportado.

Resolução: Certifique-se de que a propriedade tipo de um elemento de entrada no ficheiro de definição de módulo personalizado XML é um tipo suportado.

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

Erro 0107

Lançado quando um ficheiro de definição de módulo define um tipo de saída não suportado

Este erro na Machine Learning é produzido quando o tipo de porta de saída numa definição de xml de módulo personalizado não corresponde a um tipo suportado.

Resolução: Certifique-se de que a propriedade tipo de um elemento de saída no ficheiro de definição de módulo personalizado xml é um tipo suportado.

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

Erro 0108

Lançado quando um ficheiro de definição de módulo define mais portas de entrada ou saída do que são suportadas

Este erro na Machine Learning é produzido quando demasiadas portas de entrada ou saída são definidas numa definição de xml de módulo personalizado.

Resolução: Certifique-se de que o número máximo de portas de entrada e saída definidas na definição de xml do módulo personalizado não excede o número máximo de portas suportadas.

Mensagens de exceção
Número de entradas ou portas de saída suportadas excedidas.
Número excedido de portas '{0}' suportadas. O número máximo permitido de portos '{0}' é '{1}'.

Erro 0109

Lançado quando um ficheiro de definição de módulo define um selecionador de colunas incorretamente

Este erro na Machine Learning é produzido quando a sintaxe para um argumento de picker de coluna contém um erro numa definição de xml de módulo personalizado.

Resolução: Este erro é produzido quando a sintaxe para um argumento de picker de coluna contém um erro numa definição de xml de módulo personalizado.

Mensagens de exceção
Sintaxe não suportada para o apanhador de colunas.

Erro 0110

Lançado quando um ficheiro de definição de módulo define um selecionador de colunas que faz referência a um ID de porta de entrada inexistente

Este erro em Machine Learning é produzido quando a propriedade portId dentro do elemento Propriedades de um Arg do tipo ColumnPicker não corresponde ao valor de ID de uma porta de entrada.

Resolução: Certifique-se de que a propriedade portId corresponde ao valor de ID de uma porta de entrada definida na definição de xml do módulo personalizado.

Mensagens de exceção
O selecionador de colunas refere um ID de porta de entrada inexistente.
O selecionador de colunas refere um ID de porta de entrada inexistente '{0}'.

Erro 0111

Jogado quando um ficheiro de definição de módulo define uma propriedade inválida

Este erro na Machine Learning é produzido quando uma propriedade inválida é atribuída a um elemento na definição de XML do módulo personalizado.

Resolução: Certifique-se de que a propriedade é suportada pelo elemento do módulo personalizado.

Mensagens de exceção
A definição de propriedade é inválida.
A definição de propriedade '{0}' é inválida.

Erro 0112

Jogado quando um ficheiro de definição de módulo não pode ser analisado

Este erro na Machine Learning é produzido quando existe um erro no formato xml que impede que a definição de XML do módulo personalizado seja analisada como um ficheiro XML válido.

Resolução: Certifique-se de que cada elemento está aberto e fechado corretamente. Certifique-se de que não existem erros na formatação XML.

Mensagens de exceção
Não é possível analisar o ficheiro de definição do módulo.
Não é possível analisar o ficheiro de definição do módulo '{0}'.

Erro 0113

Lançado quando um ficheiro de definição de módulo contém erros.

Este erro na Machine Learning é produzido quando o ficheiro de definição de módulos personalizados XML pode ser analisado, mas contém erros, tais como a definição de elementos não suportados por módulos personalizados.

Resolução: Certifique-se de que o ficheiro de definição de módulos personalizados define elementos e propriedades que são suportados por módulos personalizados.

Mensagens de exceção
O ficheiro de definição de módulos contém erros.
O ficheiro de definição de módulo '{0}' contém erros.
O ficheiro de definição de módulo '{0}' contém erros. {1}

Erro 0114

Lançado quando se constrói um módulo personalizado falha.

Este erro na Machine Learning é produzido quando uma construção de módulos personalizados falha. Isto ocorre quando um ou mais erros relacionados com módulos personalizados são encontrados ao mesmo tempo que adicionam o módulo personalizado. Os erros adicionais são relatados dentro desta mensagem de erro.

Resolução: Resolva os erros relatados dentro desta mensagem de exceção.

Mensagens de exceção
Falhou na construção de módulos personalizados.
As construções de módulos personalizados falharam com erros): {0}

Erro 0115

Lançado quando um script padrão do módulo personalizado tem uma extensão não suportada.

Este erro na Machine Learning ocorre quando fornece um script para um módulo personalizado que utiliza uma extensão de nome de ficheiro desconhecida.

Resolução: Verifique o formato de ficheiro e a extensão do nome de ficheiros de quaisquer ficheiros de script incluídos no módulo personalizado.

Mensagens de exceção
Extensão não suportada para script padrão.
Extensão de ficheiro não suportada {0} para script padrão.

Erro 0121

Jogado quando SQL escreve falha porque a mesa é indesemecida

Este erro na Machine Learning é produzido quando se utiliza o módulo de Dados de Exportação para guardar resultados para uma tabela numa base de dados SQL, e a tabela não pode ser escrita. Normalmente, verá este erro se o módulo de Dados de Exportação estabelecer uma ligação com a SQL Server instância, mas então não é capaz de escrever o conteúdo do conjunto de dados Azure ML para a tabela.

Resolução:

  • Abra o painel de propriedades do módulo dados de exportação e verifique se a base de dados e os nomes das tabelas estão corretamente introduzidos.
  • Reveja o esquema do conjunto de dados que está a exportar e certifique-se de que os dados são compatíveis com a tabela de destino.
  • Verifique se o SQL de assinar associado ao nome de utilizador e palavra-passe tem permissões para escrever à mesa.
  • Se a exceção contiver informações adicionais de erro de SQL Server, utilize essa informação para esclerar correções.
Mensagens de exceção
Ligado ao servidor, incapaz de escrever à mesa.
Incapaz de escrever para a mesa Sql: {0}

Erro 0122

A exceção ocorre se várias colunas de peso forem especificadas e apenas uma é permitida.

Este erro na Machine Learning ocorre quando muitas colunas foram selecionadas como colunas de peso.

Resolução: Reveja o conjunto de dados de entrada e os seus metadados. Certifique-se de que apenas uma coluna contém pesos.

Mensagens de exceção
São especificadas várias colunas de peso.

Erro 0123

A exceção ocorre se a coluna de vetores for especificada para a coluna Label.

Este erro na Machine Learning ocorre se utilizar um vetor como coluna de etiqueta.

Resolução: Altere o formato de dados da coluna, se necessário, ou escolha uma coluna diferente.

Mensagens de exceção
Coluna de vetores é especificada como coluna label.

Erro 0124

A exceção ocorre se as colunas não numéricas forem especificadas como coluna de peso.

Resolução:

Mensagens de exceção
A coluna não numérica é especificada como coluna de peso.

Erro 0125

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

Resolução:

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

Erro 0126

A exceção ocorre se o utilizador especificar um domínio SQL que não é suportado no ML Azure.

Este erro é produzido quando o utilizador especifica um domínio SQL que não é suportado em Machine Learning. Receberá este erro se estiver a tentar ligar-se a um servidor de base de dados num domínio que não esteja na lista permitida. Atualmente, os domínios SQL permitidos são: ".database.windows.net", ".cloudapp.net", ou ".database.secure.windows.net". Ou seja, o servidor deve ser um servidor SQL do Azure ou um servidor numa máquina virtual no Azure.

Resolução: Revisite o módulo. Verifique se o servidor de base de dados SQL pertence a um dos domínios aceites:

  • .database.windows.net

  • .cloudapp.net

  • .database.secure.windows.net

Mensagens de exceção
Domínio SQL sem apoio.
O domínio {0} SQL não é atualmente suportado no Azure ML

Erro 0127

O tamanho do pixel de imagem excede o limite permitido

Este erro ocorre se estiver a ler imagens de um conjunto de dados de imagem para classificação e as imagens forem maiores do que o modelo pode suportar.

Resolução: Para obter mais informações sobre o tamanho da imagem e outros requisitos, consulte estes tópicos:

Mensagens de exceção
O tamanho do pixel de imagem excede o limite permitido.
O tamanho do pixel de imagem no ficheiro '{0}' excede o limite permitido: '{1}'

Erro 0128

O número de probabilidades condicionais para colunas categóricas excede o limite.

Resolução:

Mensagens de exceção
O número de probabilidades condicionais para colunas categóricas excede o limite.
O número de probabilidades condicionais para colunas categóricas excede o limite. Colunas '{0}' e '{1}' 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 '{0}' excede o permitido.»
O número de colunas no conjunto de dados em '{0}' excede o limite permitido de '{1}'.'
O número de colunas no conjunto de dados em '{0}' excede o limite permitido{1} de '{2}'.'.'

Erro 0130

A exceção ocorre quando todas as linhas do conjunto de dados de treino contêm valores em falta.

Isto ocorre quando alguma coluna no conjunto de dados de treino está vazia.

Resolução: Utilize o módulo De Dados Desaparecidos Limpos para remover colunas com todos os valores em falta.

Mensagens de exceção
Todas as linhas no conjunto de dados de treino contêm valores em falta. Considere utilizar o módulo De Dados Em Falta para remover os valores em falta.

Erro 0131

A exceção ocorre se um ou mais conjuntos de dados num ficheiro zip não forem desbloqueados e registados corretamente

Este erro é produzido quando um ou mais conjuntos de dados num ficheiro zip não são desapertados e lidos corretamente. Receberá este erro se a desembalagem falhar porque o ficheiro zip em si ou um dos ficheiros nele é corrupto, ou existe um erro do sistema enquanto tenta desempacotar e expandir um ficheiro.

Resolução: Utilize os detalhes fornecidos na mensagem de erro para determinar como proceder.

Mensagens de exceção
Os conjuntos de dados com fecho de porta fechada falharam
O conjunto de dados com {0} fecho falhou com a seguinte mensagem: {1}
O conjunto de dados com {0} fecho falhou com uma {1} exceção com mensagem: {2}

Erro 0132

Não foi especificado nenhum nome de ficheiro para desembalar; vários ficheiros foram encontrados em ficheiro zip.

Este erro é produzido quando não foi especificado nenhum nome de ficheiro para desembalar; vários ficheiros foram encontrados em ficheiro zip. Receberá este erro se o ficheiro .zip contiver mais do que um ficheiro comprimido, mas não especificou um ficheiro para extração na caixa de texto Dataset para Unpack , no painel de propriedade do módulo. Atualmente, apenas um ficheiro pode ser extraído cada vez que o módulo é executado.

Resolução: A mensagem de erro fornece uma lista dos ficheiros encontrados no ficheiro .zip. Copie o nome do ficheiro pretendido e cole-o no Conjunto de Dados para desembalar a caixa de texto.

Mensagens de exceção
O ficheiro zip contém vários ficheiros; tem de especificar o ficheiro para expandir.
O ficheiro contém mais de um ficheiro. Especifique o ficheiro para expandir. Foram encontrados os seguintes ficheiros: {0}

Erro 0133

O ficheiro especificado não foi encontrado no ficheiro zip

Este erro é produzido quando o nome de ficheiro introduzido no conjunto de dados para desembalar o painel de propriedades não corresponde ao nome de qualquer ficheiro encontrado no ficheiro .zip. As causas mais comuns deste erro são um erro de dactilografia ou a procura no ficheiro de arquivo errado para que o ficheiro se expanda.

Resolução: Revisite o módulo. Se o nome do ficheiro que pretendia descomprimir aparecer na lista de ficheiros encontrados, copie o nome do ficheiro e cole-o no Conjunto de Dados para a caixa de propriedade Desembalada . Se não vir o nome do ficheiro pretendido na lista, verifique se tem o ficheiro .zip correto e o nome correto para o ficheiro pretendido.

Mensagens de exceção
O ficheiro especificado não foi encontrado int o ficheiro zip.
O ficheiro especificado não foi encontrado. Encontrei os seguintes ficheiros: {0}

Erro 0134

A exceção ocorre quando a coluna da etiqueta está em falta ou tem um número insuficiente de linhas rotuladas.

Este erro ocorre quando o módulo requer uma coluna de etiqueta, mas não incluiu uma na seleção da coluna, ou a coluna da etiqueta está a perder demasiados valores.

Este erro também pode ocorrer quando uma operação anterior altera o conjunto de dados de modo a que linhas insuficientes estejam disponíveis para uma operação a jusante. Por exemplo, suponha que use uma expressão no módulo Partição e Amostra para dividir um conjunto de dados por valores. Se não forem encontrados fósforos para a sua expressão, um dos conjuntos de dados resultantes da partição estaria vazio.

Resolução:

Se incluir uma coluna de etiqueta na seleção da coluna, mas não é reconhecida, utilize o módulo editar metadados para assinalá-lo como uma coluna de etiqueta.

Utilize o módulo De Dados Sumário para gerar um relatório que mostre quantos valores faltam em cada coluna. Em seguida, pode utilizar o módulo De Dados Desaparecidos Limpos para remover linhas com valores em falta na coluna da etiqueta.

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

Mensagens de exceção
A exceção ocorre quando a coluna da etiqueta está em falta ou tem um número insuficiente de linhas rotuladas.
A exceção ocorre quando a coluna do rótulo está em falta ou tem menos do que {0} linhas rotuladas

Erro 0135

Apenas o cluster baseado em centroid é suportado.

Resolução: Pode encontrar esta mensagem de erro se tiver tentado avaliar um modelo de clustering que se baseia num algoritmo de agrupamento personalizado que não utiliza centrosids para inicializar o cluster.

Pode utilizar o Modelo de Avaliação para avaliar modelos de clustering baseados no módulo de Clustering K-Means . Para algoritmos personalizados, utilize o módulo Executar R Script para criar um script de avaliação personalizado.

Mensagens de exceção
Apenas o cluster baseado em centroid é suportado.

Erro 0136

Nenhum nome de ficheiro foi devolvido; incapaz de processar o ficheiro como resultado.

Resolução:

Mensagens de exceção
Nenhum nome de ficheiro foi devolvido; incapaz de processar o ficheiro como resultado.

Erro 0137

A Azure Armazenamento SDK encontrou um erro de conversão entre propriedades de tabela e colunas de conjunto de dados durante a leitura ou escrita.

Resolução:

Mensagens de exceção
Erro de conversão entre a propriedade de armazenamento de mesa Azure e coluna de conjunto de dados.
Erro de conversão entre a propriedade de armazenamento de mesa Azure e coluna de conjunto de dados. Informações adicionais: {0}

Erro 0138

A memória foi esgotada, incapaz de completar o funcionamento do módulo. A desafinação do conjunto de dados pode ajudar a aliviar o problema.

Este erro ocorre quando o módulo que está em funcionamento requer mais memória do que está disponível no recipiente Azure. Isto pode acontecer se estiver a trabalhar com um conjunto de dados grande e a operação atual não puder encaixar na memória.

Resolução: Se estiver a tentar ler um conjunto de dados grande e a operação não puder ser concluída, a desafinação do conjunto de dados pode ajudar.

Se utilizar as visualizações nos conjuntos de dados para verificar a cardinalidade das colunas, apenas algumas linhas são amostradas. Para obter um relatório completo, use Dados Sumize. Também pode utilizar a Transformação SQL Aplicar para verificar o número de valores únicos em cada coluna.

Por vezes, cargas transitórias podem levar a este erro. O suporte à máquina também muda ao longo do tempo. Consulte as FAQ Machine Learning para obter uma descrição do tamanho dos dados suportados.

Tente utilizar a Análise principal de Componentes ou um dos métodos de seleção de recursos fornecidos para reduzir o seu conjunto de dados para um conjunto menor de colunas mais ricas em recursos: Seleção de Recursos

Mensagens de exceção
A memória foi esgotada, incapaz de completar o funcionamento do módulo.

Erro 0139

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

Este erro na Machine Learning ocorre quando se tenta converter uma coluna para um tipo de dados diferente, mas esse tipo não é suportado pela operação atual ou pelo módulo.

O erro também pode aparecer quando um módulo tenta converter implicitamente dados para satisfazer os requisitos do módulo atual, mas a conversão não é possível.

Resolução:

  1. Reveja os seus dados de entrada e determine o tipo de dados exato da coluna que pretende utilizar e o tipo de dados da coluna que está a produzir o erro. Por vezes pode pensar que o tipo de dados está correto, mas descobrir que uma operação a montante modificou o tipo de dados ou o uso de uma coluna. Utilize o módulo editar metadados para redefinir metadados de colunas no seu estado original.

  2. Consulte a página de ajuda do módulo para verificar os requisitos para a operação especificada. Determinar quais os tipos de dados suportados pelo módulo atual e qual a gama de valores suportada.

  3. Se os valores precisarem de ser truncados, arredondados ou fora do comum removidos, utilize os módulos Apply Math Operation ou Clip Values para escoar correções.

  4. Considere se é possível converter ou lançar a coluna para um tipo de dados diferente. Todos os seguintes módulos proporcionam uma flexibilidade e poder consideráveis para modificar os dados:

Nota

Ainda não está a funcionar? Considere fornecer feedback adicional sobre o problema, para nos ajudar a desenvolver uma melhor orientação para a resolução de problemas. Basta enviar feedback nesta página e fornecer o nome do módulo que gerou o erro, e a conversão do tipo de dados que falhou.

Mensagens de exceção
Não é permitida a conversão.
Não consegui converter: {0}.
Não consegui converter: {0}, na linha {1}.
Não foi possível converter coluna de tipo {0} para coluna de tipo {1} na linha {2}.
Não foi possível converter a coluna "{2}" do tipo {0} para coluna de tipo {1} na linha {3}.
Não foi possível converter a coluna "{2}" do tipo {0} para a coluna "{3}" do tipo {1} na linha {4}.

Erro 0140

A exceção ocorre se o argumento definido pela coluna aprovada não contiver outras colunas, exceto coluna de etiqueta.

Este erro ocorre se ligar um conjunto de dados a um módulo que requer várias colunas, incluindo funcionalidades, mas forneceu apenas a coluna da etiqueta.

Resolução: Escolha pelo menos uma coluna de funcionalidades para incluir no conjunto de dados.

Mensagens de exceção
O conjunto de colunas especificado não contém outras colunas, exceto colunas de etiquetas.

Erro 0141

A exceção ocorre se o número das colunas numéricas selecionadas e valores únicos nas colunas categóricas e de cordas for demasiado pequeno.

Este erro na Machine Learning ocorre quando não existem valores únicos suficientes na coluna selecionada para executar a operação.

Resolução: Algumas operações realizam operações estatísticas em funções e colunas categóricas, e se não houver valores suficientes, a operação pode falhar ou devolver um resultado inválido. Verifique o seu conjunto de dados para ver quantos valores existem nas colunas de enfeitura e etiqueta, e determine se a operação que está a tentar realizar é estatisticamente válida.

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

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

Mensagens de exceção
O número de colunas numéricas selecionadas e valores únicos nas colunas categóricas e de cordas é demasiado pequeno.
O número total das colunas numéricas selecionadas e valores únicos nas colunas categóricas e de cordas (atualmente {0}) deve ser, pelo menos, {1}

Erro 0142

A exceção ocorre quando o sistema não consegue carregar o certificado para autenticar.

Resolução:

Mensagens de exceção
O certificado não pode ser carregado.
O certificado {0} não pode ser carregado. A sua impressão digital é {1}.

Erro 0143

Não é possível analisar o URL fornecido pelo utilizador que é suposto ser de GitHub.

Este erro na Machine Learning ocorre quando especifica um URL inválido e o módulo requer um URL GitHub válido.

Resolução: Verifique se o URL se refere a um repositório de GitHub válido. Outros tipos de site não são suportados.

Mensagens de exceção
URL não é de github.com.
URL não é de github.com: {0}

Erro 0144

O url GitHub fornecido pelo utilizador está a perder a parte esperada.

Este erro na Machine Learning ocorre quando especifica uma fonte de ficheiro GitHub utilizando um formato URL inválido.

Resolução: Verifique se o URL do repositório GitHub é válido e termina com \blob\ ou \tree\.

Mensagens de exceção
Não pode analisar GitHub URL.
Não é possível analisar GitHub URL (à espera de '\blob\' ou '\tree\' após o nome do repositório):{0}

Erro 0145

Não é possível criar o diretório de replicação por alguma razão.

Este erro na Machine Learning ocorre quando o módulo não cria o diretório especificado.

Resolução:

Mensagens de exceção
Não é possível criar diretório de replicação.

Erro 0146

Quando os ficheiros do utilizador são desbloqueados no diretório local, o caminho combinado pode ser demasiado longo.

Este erro na Machine Learning ocorre quando está a extrair ficheiros, mas alguns nomes de ficheiros são demasiado longos quando desapertados.

Resolução: Editar os nomes dos ficheiros de modo a que o caminho combinado e o nome do ficheiro não seja superior a 248 caracteres.

Mensagens de exceção
O caminho de replicação é maior do que 248 caracteres, encurtar o nome ou caminho do script.

Erro 0147

Não podia descarregar coisas de GitHub por alguma razão

Este erro na Machine Learning ocorre quando não é possível ler ou descarregar os ficheiros especificados a partir de GitHub.

Resolução: A questão pode ser temporária; pode tentar aceder aos ficheiros noutra altura. Ou verifique se tem as permissões necessárias e que a fonte é válida.

Mensagens de exceção
GitHub erro de acesso.
GitHub erro de acesso. {0}

Erro 0148

Problemas de acesso não autorizados ao extrair dados ou criar diretório.

Este erro na Machine Learning ocorre quando se está a tentar criar um diretório ou ler dados a partir do armazenamento, mas não tem as permissões necessárias.

Resolução:

Mensagens de exceção
Exceção de acesso não autorizado durante a extração de dados.

Erro 0149

O ficheiro do utilizador não existe dentro GitHub pacote.

Este erro na Machine Learning ocorre quando o ficheiro especificado não é encontrado.

Resolução:

Mensagens de exceção
GitHub ficheiro não foi encontrado.
GitHub ficheiro não é encontrado.:{0}

Erro 0150

Os scripts que vêm do pacote do utilizador não poderiam ser desapertados, muito provavelmente devido a uma colisão com ficheiros GitHub.

Este erro na Machine Learning ocorre quando um script não pode ser extraído, normalmente quando existe um ficheiro existente com o mesmo nome.

Resolução:

Mensagens de exceção
Incapaz de desapertar o pacote; possível colisão de nome com ficheiros GitHub.

Erro 0151

Houve um erro ao armazenamento na nuvem. Verifique a URL.

Este erro na Machine Learning ocorre quando o módulo tenta escrever dados para armazenamento em nuvem, mas o URL está indisponível ou inválido.

Resolução: Verifique o URL e verifique se é writable.

Mensagens de exceção
Erro de escrita para armazenamento em nuvem (possivelmente um url mau).
Erro de escrita para armazenamento em nuvem: {0}. Verifique o url.

Erro 0152

O tipo de nuvem Azure foi especificado incorretamente no contexto do módulo.

Mensagens de exceção
Tipo de nuvem bad Azure
Tipo de nuvem bad Azure: {0}

Erro 0153

O ponto final de armazenamento especificado é inválido.

Mensagens de exceção
Tipo de nuvem bad Azure
Ponto final de Armazenamento mau:{0}

Erro 0154

O nome especificado do servidor não pôde ser resolvido

Mensagens de exceção
O nome especificado do servidor não pôde ser resolvido
O servidor {0}especificado .documents.azure.com não pôde ser resolvido

Erro 0155

O Cliente DocDb abriu uma exceção.

Mensagens de exceção
O Cliente DocDb abriu uma exceção.
Cliente DocDb: {0}

Erro 0156

Má resposta para o HCatalog Server.

Mensagens de exceção
Má resposta para o HCatalog Server. Verifique se todos os serviços estão a funcionar.
Má resposta para o HCatalog Server. Verifique se todos os serviços estão a funcionar. Detalhes de erro: {0}

Erro 0157

Houve uma leitura de erro da Azure Cosmos DB devido a esquemas de documentos inconsistentes ou diferentes. O leitor exige que todos os documentos tenham o mesmo esquema.

Mensagens de exceção
Documentos detetados com esquemas diferentes. Certifique-se de que todos os documentos têm o mesmo esquema

Erro 1000

Exceção da biblioteca interna.

Este erro é fornecido para capturar erros internos do motor de outra forma não manipulados. Portanto, a causa deste erro pode ser diferente dependendo do módulo que gerou o erro.

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

Mensagens de exceção
Exceção da biblioteca.
Exceção da biblioteca: {0}
{0} exceção da biblioteca: {1}

Mais ajuda

Códigos de erro do módulo

Precisa de mais ajuda ou dicas de resolução de problemas para Machine Learning? Experimente estes recursos: