Undantag och felkoder för designern

Artikel
11/08/2023

I den här artikeln beskrivs felmeddelanden och undantagskoder i Azure Machine Learning-designern som hjälper dig att felsöka dina maskininlärningspipelines.

Du hittar felmeddelandet i designern genom att följa dessa steg:

Välj den misslyckade komponenten, gå till fliken Utdata+loggar . Du hittar den detaljerade loggen i filen 70_driver_log.txt under kategorin azureml-logs .
För detaljerade komponentfel kan du kontrollera det i error_info.json under module_statistics kategori.

Följande är felkoder för komponenter i designern.

Fel 0001

Ett undantag inträffar om det inte gick att hitta en eller flera angivna kolumner i datauppsättningen.

Du får det här felet om en kolumnmarkering görs för en komponent, men de valda kolumnerna inte finns i indatauppsättningen. Det här felet kan inträffa om du har skrivit ett kolumnnamn manuellt eller om kolumnväljaren har angett en föreslagen kolumn som inte fanns i datauppsättningen när du körde pipelinen.

Lösning: Gå tillbaka till komponenten som utlöser det här undantaget och kontrollera att kolumnnamnet eller namnen är korrekta och att alla refererade kolumner finns.

Undantagsmeddelanden
Det gick inte att hitta en eller flera angivna kolumner.
Det går inte att hitta kolumnen med namnet eller indexet {column_id}.
Kolumnen med namnet eller indexet {column_id} finns inte i {arg_name_missing_column}.
Kolumnen med namnet eller indexet {column_id} finns inte i {arg_name_missing_column}, men finns i {arg_name_has_column}.
Det går inte att hitta kolumner med namnet eller indexet {column_names}.
Kolumner med namnet eller indexet {column_names} finns inte i {arg_name_missing_column}.
Kolumner med namnet eller indexet {column_names} finns inte i {arg_name_missing_column}, men finns i {arg_name_has_column}.

Fel 0002

Ett undantag inträffar om en eller flera parametrar inte kunde parsas eller konverteras från den angivna typen till krävs av målmetodtypen.

Det här felet uppstår i Azure Machine Learning när du anger en parameter som indata och värdetypen skiljer sig från den typ som förväntas och implicit konvertering inte kan utföras.

Lösning: Kontrollera komponentkraven och fastställa vilken värdetyp som krävs (sträng, heltal, dubbel osv.)

Undantagsmeddelanden
Det gick inte att parsa parametern.
Det gick inte att parsa parametern {arg_name_or_column}.
Det gick inte att konvertera parametern {arg_name_or_column} till {to_type}.
Det gick inte att konvertera parametern {arg_name_or_column} från {from_type} till {to_type}.
Det gick inte att konvertera parametervärdet {arg_name_or_column}, {arg_value}, från {from_type} till {to_type}.
Det gick inte att konvertera värdet {arg_value} i kolumnen {arg_name_or_column}, från {from_type} till {to_type} med formatet {fmt}.

Fel 0003

Ett undantag inträffar om en eller flera indata är null eller tomma.

Du får det här felet i Azure Machine Learning om några indata eller parametrar till en komponent är null eller tomma. Det här felet kan till exempel inträffa när du inte har angett något värde för en parameter. Det kan också inträffa om du väljer en datauppsättning som saknar värden eller en tom datauppsättning.

Lösning:

Öppna komponenten som skapade undantaget och kontrollera att alla indata har angetts. Kontrollera att alla nödvändiga indata har angetts.
Kontrollera att data som läses in från Azure Storage är tillgängliga och att kontonamnet eller nyckeln inte har ändrats.
Kontrollera indata för saknade värden eller nullvärden.
Om du använder en fråga i en datakälla kontrollerar du att data returneras i det format som du förväntar dig.
Sök efter stavfel eller andra ändringar i specifikationen av data.

Undantagsmeddelanden
En eller flera indata är null eller tomma.
Inmatningen {name} är null eller tom.

Fel 0004

Ett undantag inträffar om parametern är mindre än eller lika med ett visst värde.

Du får det här felet i Azure Machine Learning om parametern i meddelandet ligger under ett gränsvärde som krävs för att komponenten ska bearbeta data.

Lösning: Gå tillbaka till komponenten som utlöser undantaget och ändra parametern till större än det angivna värdet.

Undantagsmeddelanden
Parametern ska vara större än gränsvärdet.
Parametern {arg_name}" bör vara större än {lower_boundary}.
Parametern {arg_name} har värdet {actual_value}, som ska vara större än {lower_boundary}.

Fel 0005

Ett undantag inträffar om parametern är mindre än ett specifikt värde.

Du får det här felet i Azure Machine Learning om parametern i meddelandet är lägre eller lika med ett gränsvärde som krävs för att komponenten ska bearbeta data.

Lösning: Gå tillbaka till komponenten som genererar undantaget och ändra parametern till större än eller lika med det angivna värdet.

Undantagsmeddelanden
Parametern ska vara större än eller lika med gränsvärdet.
Parametern {arg_name} bör vara större än eller lika med {lower_boundary}.
Parametern {arg_name} har värdet {value}, som ska vara större än eller lika med {lower_boundary}.

Fel 0006

Ett undantag inträffar om parametern är större än eller lika med det angivna värdet.

Du får det här felet i Azure Machine Learning om parametern i meddelandet är större än eller lika med ett gränsvärde som krävs för att komponenten ska bearbeta data.

Lösning: Gå tillbaka till komponenten som utlöser undantaget och ändra parametern till mindre än det angivna värdet.

Undantagsmeddelanden
Parametrar matchar inte. En av parametrarna bör vara mindre än en annan.
Parametervärdet {arg_name} bör vara mindre än parametern {upper_boundary_parameter_name}.
Parametern {arg_name} har värdet {value}, vilket bör vara mindre än {upper_boundary_parameter_name}.

Fel 0007

Ett undantag inträffar om parametern är större än ett visst värde.

Du får det här felet i Azure Machine Learning om du i egenskaperna för komponenten har angett ett värde som är större än vad som tillåts. Du kan till exempel ange en data som ligger utanför intervallet med datum som stöds, eller så kan du ange att fem kolumner används när endast tre kolumner är tillgängliga.

Du kan också se det här felet om du anger två uppsättningar data som måste matchas på något sätt. Om du till exempel byter namn på kolumner och anger kolumnerna efter index måste antalet namn som du anger matcha antalet kolumnindex. Ett annat exempel kan vara en matematisk åtgärd som använder två kolumner, där kolumnerna måste ha samma antal rader.

Lösning:

Öppna komponenten i fråga och granska eventuella numeriska egenskapsinställningar.
Se till att alla parametervärden ligger inom det värdeintervall som stöds för den egenskapen.
Om komponenten tar flera indata kontrollerar du att indata har samma storlek.

Kontrollera om datamängden eller datakällan har ändrats. Ibland misslyckas ett värde som fungerade med en tidigare version av data efter att antalet kolumner, kolumndatatyperna eller storleken på data har ändrats.

Undantagsmeddelanden
Parametrar matchar inte. En av parametrarna ska vara mindre än eller lika med en annan.
Parametervärdet {arg_name} ska vara mindre än eller lika med parametern {upper_boundary_parameter_name}.
Parametern {arg_name} har värdet {actual_value}, som ska vara mindre än eller lika med {upper_boundary}.
Parametern {arg_name}"-värdet {actual_value} bör vara mindre än eller lika med parametern {upper_boundary_parameter_name}"-värdet {upper_boundary}.
Parametern {arg_name}-värdet {actual_value} bör vara mindre än eller lika med {upper_boundary_meaning} värdet {upper_boundary}.

Fel 0008

Ett undantag inträffar om parametern inte ligger inom intervallet.

Du får det här felet i Azure Machine Learning om parametern i meddelandet ligger utanför de gränser som krävs för att komponenten ska bearbeta data.

Det här felet visas till exempel om du försöker använda Lägg till rader för att kombinera två datauppsättningar som har ett annat antal kolumner.

Lösning: Gå tillbaka till komponenten som utlöser undantaget och ändra parametern så att den ligger inom det angivna intervallet.

Undantagsmeddelanden
Parametervärdet finns inte i det angivna intervallet.
Parametern {arg_name} är inte inom intervallet.
Parametervärdet {arg_name} ska ligga i intervallet [{lower_boundary}, {upper_boundary}].
Parametern {arg_name} är inte inom intervallet. {reason}

Fel 0009

Ett undantag inträffar när namnet på Azure-lagringskontot eller containernamnet har angetts felaktigt.

Det här felet uppstår i Azure Machine Learning-designern när du anger parametrar för ett Azure-lagringskonto, men namnet eller lösenordet kan inte lösas. Fel på lösenord eller kontonamn kan inträffa av många orsaker:

Kontot är av fel typ. Vissa nya kontotyper stöds inte för användning med Machine Learning Designer. Mer information finns i Importera data .
Du angav det felaktiga kontonamnet
Kontot finns inte längre
Lösenordet för lagringskontot är felaktigt eller har ändrats
Du angav inte containernamnet eller så finns inte containern
Du har inte helt angett filsökvägen (sökväg till bloben)

Lösning:

Sådana problem uppstår ofta när du försöker ange kontonamn, lösenord eller containersökväg manuellt. Vi rekommenderar att du använder den nya guiden för komponenten Importera data , som hjälper dig att söka efter och kontrollera namn.

Kontrollera också om kontot, containern eller bloben har tagits bort. Använd ett annat Azure Storage-verktyg för att kontrollera att kontonamnet och lösenordet har angetts korrekt och att containern finns.

Vissa nyare kontotyper stöds inte av Azure Machine Learning. De nya lagringstyperna "frekvent" eller "kall" kan till exempel inte användas för maskininlärning. Både klassiska lagringskonton och lagringskonton som skapats som "Generell användning" fungerar bra.

Om den fullständiga sökvägen till en blob har angetts kontrollerar du att sökvägen har angetts som container/blobnamn och att både containern och blobben finns i kontot.

Sökvägen får inte innehålla ett inledande snedstreck. Till exempel /container/blob är felaktig och bör anges som container/blob.

Undantagsmeddelanden
Namnet på Azure-lagringskontot eller containernamnet är felaktigt.
Azure Storage-kontonamnet {account_name} eller containernamnet {container_name} är felaktigt. ett containernamn för formatet container/blob förväntades.

Fel 0010

Undantag inträffar om indatauppsättningar har kolumnnamn som ska matcha men inte.

Du får det här felet i Azure Machine Learning om kolumnindexet i meddelandet har olika kolumnnamn i de två indatauppsättningarna.

Lösning: Använd Redigera metadata eller ändra den ursprungliga datamängden så att den har samma kolumnnamn för det angivna kolumnindexet.

Undantagsmeddelanden
Kolumner med motsvarande index i indatauppsättningar har olika namn.
Kolumnnamn är inte samma för kolumnen {col_index} (nollbaserad) för indatauppsättningar ({datauppsättning1} respektive {datauppsättning2}).

Fel 0011

Undantaget inträffar om argumentet för skickad kolumnuppsättning inte gäller för någon av datauppsättningskolumnerna.

Du får det här felet i Azure Machine Learning om det angivna kolumnvalet inte matchar någon av kolumnerna i den angivna datamängden.

Du kan också få det här felet om du inte har valt en kolumn och minst en kolumn krävs för att komponenten ska fungera.

Lösning: Ändra kolumnmarkeringen i komponenten så att den tillämpas på kolumnerna i datauppsättningen.

Om komponenten kräver att du väljer en specifik kolumn, till exempel en etikettkolumn, kontrollerar du att den högra kolumnen är markerad.

Om olämpliga kolumner har valts tar du bort dem och kör pipelinen igen.

Undantagsmeddelanden
Den angivna kolumnuppsättningen gäller inte för någon av datamängdskolumnerna.
Den angivna kolumnuppsättningen {column_set} gäller inte för någon av datauppsättningskolumnerna.

Fel 0012

Ett undantag inträffar om det inte gick att skapa en instans av klassen med angivna argument.

Lösning: Det här felet kan inte åtgärdas av användaren och kommer att bli inaktuellt i en framtida version.

Undantagsmeddelanden
Träna modellen först utan träning.
Otränad modell ({arg_name}), använd tränad modell.

Fel 0013

Ett undantag inträffar om eleven som skickas till komponenten är en ogiltig typ.

Det här felet uppstår när en tränad modell inte är kompatibel med den anslutna bedömningskomponenten.

Lösning:

Fastställa vilken typ av elev som skapas av träningskomponenten och fastställa den bedömningskomponent som är lämplig för eleven.

Om modellen har tränats med någon av de specialiserade träningskomponenterna ansluter du endast den tränade modellen till motsvarande specialiserade bedömningskomponent.

Modelltyp	Träningskomponent	Bedömningskomponent
någon klassificerare	Train Model (Träningsmodell)	Poängmodell
någon regressionsmodell	Train Model (Träningsmodell)	Poängmodell

Undantagsmeddelanden
Deltagare av ogiltig typ skickas.
Learner {arg_name} har en ogiltig typ.
Learner {arg_name} har ogiltig typ {learner_type}.
Deltagare av ogiltig typ skickas. Undantagsmeddelande: {exception_message}

Fel 0014

Ett undantag inträffar om antalet unika kolumnvärden är större än tillåtet.

Det här felet uppstår när en kolumn innehåller för många unika värden, till exempel en ID-kolumn eller textkolumn. Du kan se det här felet om du anger att en kolumn ska hanteras som kategoriska data, men det finns för många unika värden i kolumnen för att bearbetningen ska kunna slutföras. Du kan också se det här felet om det finns ett matchningsfel mellan antalet unika värden i två indata.

Felet med unika värden är större än tillåtet inträffar om båda följande villkor uppfylls:

Mer än 97 % instanser av en kolumn är unika värden, vilket innebär att nästan alla kategorier skiljer sig från varandra.
En kolumn har fler än 1 000 unika värden.

Lösning:

Öppna komponenten som genererade felet och identifiera de kolumner som används som indata. För vissa komponenter kan du högerklicka på indata för datamängden och välja Visualisera för att hämta statistik för enskilda kolumner, inklusive antalet unika värden och deras fördelning.

För kolumner som du tänker använda för gruppering eller kategorisering vidtar du åtgärder för att minska antalet unika värden i kolumner. Du kan minska på olika sätt, beroende på kolumnens datatyp.

För ID-kolumner som inte är meningsfulla funktioner under träning av en modell kan du använda Redigera metadata för att markera kolumnen som Clear-funktion och den kommer inte att användas under träning av en modell.

För textkolumner kan du använda funktionshashing eller extrahera N-Gram-funktioner från textkomponenten för att förbearbeta textkolumner.

Dricks

Går det inte att hitta en lösning som matchar ditt scenario? Du kan ge feedback om det här avsnittet som innehåller namnet på komponenten som genererade felet och datatypen och kardinaliteten i kolumnen. Vi använder informationen för att tillhandahålla mer riktade felsökningssteg för vanliga scenarier.

Undantagsmeddelanden
Mängden unika kolumnvärden är större än vad som tillåts.
Antal unika värden i kolumnen: {column_name} är större än tillåtet.
Antal unika värden i kolumnen: {column_name} överskrider tuppelns antal {limitation}.

Fel 0015

Ett undantag inträffar om databasanslutningen misslyckades.

Du får det här felet om du anger ett felaktigt SQL-kontonamn, lösenord, databasserver eller databasnamn, eller om en anslutning till databasen inte kan upprättas på grund av problem med databasen eller servern.

Lösning: Kontrollera att kontonamnet, lösenordet, databasservern och databasen har angetts korrekt och att det angivna kontot har rätt behörighetsnivå. Kontrollera att databasen är tillgänglig för tillfället.

Undantagsmeddelanden
Det gick inte att upprätta en databasanslutning.
Det gick inte att upprätta databasanslutning: {connection_str}.

Fel 0016

Undantag uppstår om indatauppsättningar som skickas till komponenten ska ha kompatibla kolumntyper men inte.

Du får det här felet i Azure Machine Learning om de typer av kolumner som skickas i två eller flera datauppsättningar inte är kompatibla med varandra.

Lösning: Använd Redigera metadata eller ändra den ursprungliga indatauppsättningen för att säkerställa att kolumnernas typer är kompatibla.

Undantagsmeddelanden
Kolumner med motsvarande index i indatauppsättningar har inkompatibla typer.
Kolumnerna {first_col_names} är inte kompatibla mellan tränings- och testdata.
Kolumnerna {first_col_names} och {second_col_names} är inkompatibla.
Kolumnelementtyper är inte kompatibla för kolumnen {first_col_names} (nollbaserad) för indatauppsättningar ({first_dataset_names} respektive {second_dataset_names}).

Fel 0017

Ett undantag inträffar om en vald kolumn använder en datatyp som inte stöds av den aktuella komponenten.

Du kan till exempel få det här felet i Azure Machine Learning om kolumnvalet innehåller en kolumn med en datatyp som inte kan bearbetas av komponenten, till exempel en strängkolumn för en matematisk åtgärd eller en poängkolumn där en kategorisk funktionskolumn krävs.

Lösning:

Identifiera den kolumn som är problemet.
Granska komponentens krav.
Ändra kolumnen så att den uppfyller kraven. Du kan behöva använda flera av följande komponenter för att göra ändringar, beroende på vilken kolumn och konvertering du försöker göra:
- Använd Redigera metadata för att ändra datatypen för kolumner eller för att ändra kolumnanvändningen från funktion till numerisk, kategorisk till icke-kategorisk och så vidare.

Som en sista utväg kan du behöva ändra den ursprungliga indatauppsättningen.

Dricks

Undantagsmeddelanden
Det går inte att bearbeta kolumnen av aktuell typ. Typen stöds inte av komponenten.
Det går inte att bearbeta kolumnen av typen {col_type}. Typen stöds inte av komponenten.
Det går inte att bearbeta kolumnen {col_name}av typen {col_type}. Typen stöds inte av komponenten.
Det går inte att bearbeta kolumnen {col_name}av typen {col_type}. Typen stöds inte av komponenten. Parameternamn: {arg_name}.

Fel 0018

Ett undantag inträffar om indatauppsättningen inte är giltig.

Lösning: Det här felet i Azure Machine Learning kan visas i många kontexter, så det finns inte en enda lösning. I allmänhet anger felet att data som tillhandahålls som indata till en komponent har fel antal kolumner eller att datatypen inte matchar komponentens krav. Till exempel:

Komponenten kräver en etikettkolumn, men ingen kolumn har markerats som en etikett, eller så har du inte valt någon etikettkolumn ännu.
Komponenten kräver att data är kategoriska, men dina data är numeriska.

Data har fel format.
Importerade data innehåller ogiltiga tecken, felaktiga värden eller värden som ligger utom intervallet.
Kolumnen är tom eller innehåller för många saknade värden.

Om du vill fastställa kraven och hur dina data kan användas läser du hjälpavsnittet för den komponent som ska använda datamängden som indata.

Undantagsmeddelanden
Datauppsättningen är inte giltig.
{datauppsättning1} innehåller ogiltiga data.
{dataset1} och {dataset2} bör vara konsekventa kolumnvis.
{datauppsättning1} innehåller ogiltiga data, {reason}.
{datauppsättning1} innehåller {invalid_data_category}. {troubleshoot_hint}
{datauppsättning1} är inte giltig, {reason}. {troubleshoot_hint}

Fel 0019

Ett undantag inträffar om kolumnen förväntas innehålla sorterade värden, men det gör det inte.

Du får det här felet i Azure Machine Learning om de angivna kolumnvärdena är ur ordning.

Lösning: Sortera kolumnvärdena genom att ändra indatauppsättningen manuellt och köra komponenten igen.

Undantagsmeddelanden
Värden i kolumnen sorteras inte.
Värden i kolumnen {col_index} sorteras inte.
Värden i kolumnen {col_index} för datauppsättningen {datauppsättning} sorteras inte.
Värden i argumentet {arg_name} sorteras inte i {sorting_order}-ordning.

Fel 0020

Ett undantag inträffar om antalet kolumner i vissa datamängder som skickas till komponenten är för litet.

Du får det här felet i Azure Machine Learning om inte tillräckligt många kolumner har valts för en komponent.

Lösning: Gå tillbaka till komponenten och se till att kolumnväljaren har rätt antal markerade kolumner.

Undantagsmeddelanden
Antalet kolumner i indatauppsättningen är mindre än tillåtet minimum.
Antalet kolumner i indatauppsättningen {arg_name} är mindre än tillåtet minimum.
Antalet kolumner i indatauppsättningen är mindre än tillåtet minst {required_columns_count} kolumner.
Antalet kolumner i indatauppsättningen {arg_name} är mindre än tillåtet minst {required_columns_count} kolumner.

Fel 0021

Undantag uppstår om antalet rader i vissa datauppsättningar som skickas till komponenten är för litet.

Det här felet visas i Azure Machine Learning när det inte finns tillräckligt med rader i datauppsättningen för att utföra den angivna åtgärden. Du kan till exempel se det här felet om indatauppsättningen är tom eller om du försöker utföra en åtgärd som kräver att ett minsta antal rader är giltiga. Sådana åtgärder kan omfatta (men är inte begränsade till) gruppering eller klassificering baserat på statistiska metoder, vissa typer av binning och inlärning med antal.

Lösning:

Öppna komponenten som returnerade felet och kontrollera indatauppsättningen och komponentegenskaperna.
Kontrollera att indatauppsättningen inte är tom och att det finns tillräckligt med rader med data för att uppfylla kraven som beskrivs i komponenthjälpen.
Om dina data läses in från en extern källa kontrollerar du att datakällan är tillgänglig och att det inte finns något fel eller någon ändring i datadefinitionen som gör att importprocessen får färre rader.
Om du utför en åtgärd på data uppströms för komponenten som kan påverka typen av data eller antalet värden, till exempel rengöring, delning eller kopplingsåtgärder, kontrollerar du utdata från dessa åtgärder för att fastställa antalet rader som returneras.

Undantagsmeddelanden
Antalet rader i indatauppsättningen är mindre än tillåtet minimum.
Antalet rader i indatauppsättningen är mindre än tillåtet minst {required_rows_count} rader.
Antalet rader i indatauppsättningen är mindre än tillåtet minst {required_rows_count} rader. {reason}
Antalet rader i indatauppsättningen {arg_name} är mindre än tillåtet minst {required_rows_count} rader.
Antalet rader i indatauppsättningen {arg_name} är {actual_rows_count}, vilket är mindre än det tillåtna minimum av {required_rows_count} rad(ar).
Antalet {row_type}-rader i indatauppsättningen {arg_name} är {actual_rows_count}, vilket är mindre än det tillåtna minimivärdet {required_rows_count} rad(ar).

Fel 0022

Ett undantag inträffar om antalet valda kolumner i indatauppsättningen inte är lika med det förväntade antalet.

Det här felet i Azure Machine Learning kan inträffa när den underordnade komponenten eller åtgärden kräver ett visst antal kolumner eller indata, och du har angett för få eller för många kolumner eller indata. Till exempel:

Du anger en kolumn eller nyckelkolumn med en enskild etikett och har valt flera kolumner av misstag.
Du byter namn på kolumner, men har fler eller färre namn än det finns kolumner.
Antalet kolumner i källan eller målet har ändrats eller matchar inte antalet kolumner som används av komponenten.
Du har angett en kommaavgränsad lista med värden för indata, men antalet värden matchar inte, eller så stöds inte flera indata.

Lösning: Gå tillbaka till komponenten och kontrollera kolumnmarkeringen för att säkerställa att rätt antal kolumner har valts. Kontrollera utdata från överordnade komponenter och kraven för nedströmsåtgärder.

Om du har använt något av alternativen för kolumnval som kan välja flera kolumner (kolumnindex, alla funktioner, alla numeriska osv.) kontrollerar du det exakta antalet kolumner som returneras av markeringen.

Kontrollera att antalet eller typen av överordnade kolumner inte har ändrats.

Om du använder en rekommendationsdatauppsättning för att träna en modell bör du komma ihåg att rekommenderaren förväntar sig ett begränsat antal kolumner som motsvarar användarobjektpar eller rankning av användarobjekt. Ta bort ytterligare kolumner innan du tränar modellen eller delar rekommendationsdatauppsättningar. Mer information finns i Dela upp data.

Undantagsmeddelanden
Antalet valda kolumner i indatauppsättningen är inte lika med det förväntade antalet.
Antalet markerade kolumner i indatauppsättningen är inte lika med {expected_col_count}.
Kolumnmarkeringsmönstret {selection_pattern_friendly_name} innehåller antalet markerade kolumner i indatauppsättningen som inte är lika med {expected_col_count}.
Kolumnmarkeringsmönstret {selection_pattern_friendly_name} förväntas ange {expected_col_count} kolumner som valts i indatauppsättningen, men {selected_col_count} kolumner har faktiskt angetts.

Fel 0023

Ett undantag inträffar om målkolumnen för indatauppsättningen inte är giltig för den aktuella träningskomponenten.

Det här felet i Azure Machine Learning uppstår om målkolumnen (som valts i komponentparametrarna) inte är av giltig datatyp, innehåller alla saknade värden eller inte var kategorisk som förväntat.

Lösning: Gå tillbaka till komponentindata för att granska innehållet i kolumnen etikett/mål. Kontrollera att den inte har alla värden som saknas. Om komponenten förväntar sig att målkolumnen ska vara kategorisk kontrollerar du att det finns fler än ett distinkta värden i målkolumnen.

Undantagsmeddelanden
Indatauppsättningen har målkolumnen som inte stöds.
Indatauppsättningen har målkolumnen {column_index} som inte stöds.
Indatauppsättningen har målkolumnen {column_index} som inte stöds för elever av typen {learner_type}.

Fel 0024

Ett undantag inträffar om datauppsättningen inte innehåller någon etikettkolumn.

Det här felet i Azure Machine Learning uppstår när komponenten kräver en etikettkolumn och datauppsättningen inte har någon etikettkolumn. Till exempel kräver utvärdering av en poängsatt datamängd vanligtvis att en etikettkolumn finns för att beräkna noggrannhetsmått.

Det kan också hända att en etikettkolumn finns i datamängden, men inte identifieras korrekt av Azure Machine Learning.

Lösning:

Öppna komponenten som genererade felet och ta reda på om det finns en etikettkolumn. Kolumnens namn eller datatyp spelar ingen roll, så länge kolumnen innehåller ett enda utfall (eller en beroende variabel) som du försöker förutsäga. Om du inte är säker på vilken kolumn som har etiketten letar du efter ett allmänt namn, till exempel Klass eller Mål.
Om datamängden inte innehåller någon etikettkolumn är det möjligt att etikettkolumnen uttryckligen eller av misstag har tagits bort uppströms. Det kan också vara så att datamängden inte är utdata från en uppströms bedömningskomponent.
Om du uttryckligen vill markera kolumnen som etikettkolumn lägger du till komponenten Redigera metadata och ansluter datauppsättningen. Välj endast etikettkolumnen och välj Etikett i listrutan Fält .
Om fel kolumn har valts som etikett kan du välja Rensa etikett från fälten för att åtgärda metadata i kolumnen.

Undantagsmeddelanden
Det finns ingen etikettkolumn i datauppsättningen.
Det finns ingen etikettkolumn i {dataset_name}.

Fel 0025

Ett undantag inträffar om datamängden inte innehåller en poängkolumn.

Det här felet i Azure Machine Learning inträffar om indata till utvärderingsmodellen inte innehåller giltiga poängkolumner. Användaren försöker till exempel utvärdera en datamängd innan den poängsätts med en korrekt tränad modell, eller så släpptes poängkolumnen uttryckligen uppströms. Det här undantaget inträffar också om poängkolumnerna på de två datauppsättningarna är inkompatibla. Du kanske till exempel försöker jämföra noggrannheten för en linjär regressor med en binär klassificerare.

Lösning: Gå tillbaka till indata till utvärderingsmodellen och kontrollera om den innehåller en eller flera poängkolumner. Annars har datamängden inte poängsatts eller så togs poängkolumnerna bort i en överordnad komponent.

Undantagsmeddelanden
Det finns ingen poängkolumn i datauppsättningen.
Det finns ingen poängkolumn i {dataset_name}.
Det finns ingen poängkolumn i {dataset_name}, som skapas av en {learner_type}. Poängsätta datamängden med rätt typ av elev.

Fel 0026

Undantag uppstår om kolumner med samma namn inte tillåts.

Det här felet i Azure Machine Learning uppstår om flera kolumner har samma namn. Ett sätt att få det här felet är om datauppsättningen inte har någon rubrikrad och kolumnnamn tilldelas automatiskt: Col0, Col1 osv.

Lösning: Om kolumner har samma namn infogar du en redigera metadatakomponent mellan indatauppsättningen och komponenten. Använd kolumnväljaren i Redigera metadata för att välja kolumner att byta namn på och skriva in de nya namnen i textrutan Nya kolumnnamn .

Undantagsmeddelanden
Lika med kolumnnamn anges i argument. Lika med kolumnnamn tillåts inte av komponenten.
Lika med kolumnnamn i argumenten {arg_name_1} och {arg_name_2} tillåts inte. Ange olika namn.

Fel 0027

Undantag inträffar om två objekt måste ha samma storlek men inte är det.

Det här är ett vanligt fel i Azure Machine Learning och kan orsakas av många villkor.

Lösning: Det finns ingen specifik lösning. Du kan dock söka efter villkor som följande:

Om du byter namn på kolumner kontrollerar du att varje lista (indatakolumnerna och listan med nya namn) har samma antal objekt.
Om du ansluter eller sammanfogar två datauppsättningar kontrollerar du att de har samma schema.
Om du ansluter två datauppsättningar som har flera kolumner kontrollerar du att nyckelkolumnerna har samma datatyp och väljer alternativet Tillåt dubbletter och bevarar kolumnordningen i markeringen.

Undantagsmeddelanden
Storleken på skickade objekt är inkonsekvent.
Storleken på {friendly_name1} är inkonsekvent med storleken {friendly_name2}.

Fel 0028

Ett undantag inträffar när kolumnuppsättningen innehåller duplicerade kolumnnamn och inte tillåts.

Det här felet i Azure Machine Learning uppstår när kolumnnamn dupliceras. det vill: inte unikt.

Lösning: Om några kolumner har samma namn lägger du till en instans av Redigera metadata mellan indatauppsättningen och komponenten som genererar felet. Använd kolumnväljaren i Redigera metadata för att välja kolumner att byta namn på och skriv in de nya kolumnnamnen i textrutan Nya kolumnnamn . Om du byter namn på flera kolumner kontrollerar du att de värden som du skriver i De nya kolumnnamnen är unika.

Undantagsmeddelanden
Kolumnuppsättningen innehåller duplicerade kolumnnamn.
Namnet {duplicated_name} dupliceras.
Namnet {duplicated_name} dupliceras i {arg_name}.
Namnet {duplicated_name} dupliceras. Information: {details}

Fel 0029

Ett undantag inträffar om ogiltig URI skickas.

Det här felet i Azure Machine Learning inträffar om ogiltig URI skickas. Du får det här felet om något av följande villkor är sant:

Den offentliga URI:n eller SAS-URI:n som tillhandahålls för Azure Blob Storage för läsning eller skrivning innehåller ett fel.
Tidsfönstret för SAS har upphört att gälla.
Webb-URL:en via HTTP-källan representerar en fil eller en loopback-URI.
Webb-URL:en via HTTP innehåller en felaktigt formaterad URL.
Det går inte att matcha URL:en av fjärrkällan.

Lösning: Gå tillbaka till komponenten och kontrollera URI-formatet. Om datakällan är en webb-URL via HTTP kontrollerar du att den avsedda källan inte är en fil eller en loopback-URI (localhost).

Undantagsmeddelanden
Ogiltig URI skickas.
Uri:n {invalid_url} är ogiltig.

Fel 0030

Ett undantag inträffar om det inte går att ladda ned en fil.

Det här undantaget i Azure Machine Learning inträffar när det inte går att ladda ned en fil. Du får det här undantaget när ett försök att läsa från en HTTP-källa misslyckades efter tre (3) återförsök.

Lösning: Kontrollera att URI:n till HTTP-källan är korrekt och att webbplatsen för närvarande är tillgänglig via Internet.

Undantagsmeddelanden
Det går inte att ladda ned en fil.
Ett fel uppstod när filen skulle hämtas: {file_url}.

Fel 0031

Ett undantag inträffar om antalet kolumner i kolumnuppsättningen är mindre än nödvändigt.

Det här felet i Azure Machine Learning inträffar om antalet valda kolumner är mindre än nödvändigt. Du får det här felet om det minsta antal kolumner som krävs inte har valts.

Lösning: Lägg till ytterligare kolumner i kolumnmarkeringen med hjälp av kolumnväljaren.

Undantagsmeddelanden
Antalet kolumner i kolumnuppsättningen är mindre än vad som krävs.
Minst {required_columns_count} kolumner ska anges för indataargumentet {arg_name}.
Minst {required_columns_count} kolumner ska anges för indataargumentet {arg_name}. Det faktiska antalet angivna kolumner är {input_columns_count}.

Fel 0032

Ett undantag inträffar om argumentet inte är ett tal.

Du får det här felet i Azure Machine Learning om argumentet är dubbelt eller NaN.

Lösning: Ändra det angivna argumentet så att det använder ett giltigt värde.

Undantagsmeddelanden
Argumentet är inte ett tal.
{arg_name} är inte ett tal.

Fel 0033

Undantag inträffar om argumentet är Infinity.

Det här felet i Azure Machine Learning inträffar om argumentet är oändligt. Du får det här felet om argumentet är antingen double.NegativeInfinity eller double.PositiveInfinity.

Lösning: Ändra det angivna argumentet till ett giltigt värde.

Undantagsmeddelanden
Argumentet måste vara begränsat.
{arg_name} är inte ändlig.
Kolumnen {column_name} innehåller oändliga värden.

Fel 0034

Ett undantag inträffar om det finns fler än ett omdöme för ett visst användarobjektpar.

Det här felet i Azure Machine Learning uppstår i rekommendationen om ett användarobjektpar har fler än ett klassificeringsvärde.

Lösning: Kontrollera att användarobjektparet endast har ett klassificeringsvärde.

Undantagsmeddelanden
Det finns fler än en klassificering för värdena i datamängden.
Mer än ett omdöme för användaren {user} och objektet {item} i datatabellen för omdömesförutsägelse.
Mer än ett omdöme för användaren {user} och objektet {item} i {datauppsättning}.

Fel 0035

Undantag inträffar om inga funktioner har angetts för en viss användare eller ett visst objekt.

Det här felet i Azure Machine Learning inträffar när du försöker använda en rekommendationsmodell för bedömning, men det går inte att hitta en funktionsvektor.

Lösning:

Matchbox-rekommenderaren har vissa krav som måste uppfyllas när du använder antingen objektfunktioner eller användarfunktioner. Det här felet anger att en funktionsvektor saknas för en användare eller ett objekt som du angav som indata. Kontrollera att en vektor med funktioner är tillgänglig i data för varje användare eller objekt.

Om du till exempel har tränat en rekommendationsmodell med hjälp av funktioner som användarens ålder, plats eller inkomst, men nu vill skapa poäng för nya användare som inte sågs under träningen, måste du ange en motsvarande uppsättning funktioner (nämligen ålder, plats och inkomstvärden) för de nya användarna för att kunna göra lämpliga förutsägelser för dem.

Om du inte har några funktioner för dessa användare kan du överväga funktionsframställning för att generera lämpliga funktioner. Om du till exempel inte har enskilda användarålders- eller inkomstvärden kan du generera ungefärliga värden som ska användas för en grupp användare.

Dricks

Inte tillämpligt för ditt ärende? Du är välkommen att skicka feedback om den här artikeln och ge information om scenariot, inklusive komponenten och antalet rader i kolumnen. Vi använder den här informationen för att tillhandahålla mer detaljerade felsökningssteg i framtiden.

Undantagsmeddelanden
Inga funktioner har angetts för en nödvändig användare eller ett objekt.
Funktioner för {required_feature_name} krävs men tillhandahålls inte.

Fel 0036

Undantag uppstår om flera funktionsvektorer har angetts för en viss användare eller ett visst objekt.

Det här felet i Azure Machine Learning inträffar om en funktionsvektor har definierats mer än en gång.

Lösning: Se till att funktionsvektorn inte har definierats mer än en gång.

Undantagsmeddelanden
Duplicera funktionsdefinition för en användare eller ett objekt.

Fel 0037

Ett undantag inträffar om flera etikettkolumner har angetts och bara en tillåts.

Det här felet i Azure Machine Learning inträffar om fler än en kolumn har valts som ny etikettkolumn. De flesta övervakade inlärningsalgoritmer kräver att en enda kolumn markeras som mål eller etikett.

Lösning: Välj en enskild kolumn som ny etikettkolumn.

Undantagsmeddelanden
Flera etikettkolumner har angetts.
Flera etikettkolumner anges i {dataset_name}.

Fel 0039

Ett undantag inträffar om en åtgärd har misslyckats.

Det här felet i Azure Machine Learning uppstår när en intern åtgärd inte kan slutföras.

Lösning: Det här felet orsakas av många villkor och det finns ingen specifik åtgärd.
Följande tabell innehåller allmänna meddelanden för det här felet, som följs av en specifik beskrivning av villkoret.

Om det inte finns någon information tillgänglig kan microsofts Q&A-frågesida skicka feedback och ange information om de komponenter som genererade felet och relaterade villkor.

Undantagsmeddelanden
Åtgärden misslyckades.
Fel vid slutförande av åtgärden: {failed_operation}.
Fel vid slutförande av åtgärden: {failed_operation}. Orsak: "{reason}".

Fel 0042

Ett undantag inträffar när det inte går att konvertera kolumnen till en annan typ.

Det här felet i Azure Machine Learning uppstår när det inte går att konvertera kolumnen till den angivna typen. Du får det här felet om en komponent kräver en viss datatyp, till exempel datetime, text, ett flyttalsnummer eller heltal, men det går inte att konvertera en befintlig kolumn till den typ som krävs.

Du kan till exempel välja en kolumn och försöka konvertera den till en numerisk datatyp för användning i en matematisk åtgärd och få det här felet om kolumnen innehåller ogiltiga data.

En annan orsak till att du kan få det här felet om du försöker använda en kolumn som innehåller flyttalsnummer eller många unika värden som en kategorisk kolumn.

Lösning:

Öppna hjälpsidan för komponenten som genererade felet och verifiera kraven för datatypen.
Granska datatyperna för kolumnerna i indatauppsättningen.
Granska data som kommer från så kallade schemalösa datakällor.
Kontrollera datauppsättningen för saknade värden eller specialtecken som kan blockera konvertering till önskad datatyp.
- Numeriska datatyper bör vara konsekventa: sök till exempel efter flyttalsnummer i en kolumn med heltal.
- Leta efter textsträngar eller NA-värden i en talkolumn.
- Booleska värden kan konverteras till en lämplig representation beroende på vilken datatyp som krävs.
- Granska textkolumner för icke-unicode-tecken, tabbtecken eller kontrolltecken
- Datetime-data bör vara konsekventa för att undvika modelleringsfel, men rensningen kan vara komplex på grund av de många formaten. Överväg att använda Kör Python-skriptkomponenter för att utföra rensning.
Om det behövs ändrar du värdena i indatauppsättningen så att kolumnen kan konverteras. Ändringar kan omfatta binning, trunkering eller avrundning, eliminering av avvikande värden eller imputation av saknade värden. I följande artiklar finns några vanliga scenarier för datatransformering i maskininlärning:
- Rensa saknade data
- Normalisera data

Dricks

Oklar lösning, eller inte tillämpligt för ditt fall? Du är välkommen att skicka feedback om den här artikeln och ange information om scenariot, inklusive komponenten och datatypen för kolumnen. Vi använder den här informationen för att tillhandahålla mer detaljerade felsökningssteg i framtiden.

Undantagsmeddelanden
Inte tillåten konvertering.
Det gick inte att konvertera kolumnen av typen {type1} till en kolumn av typen {type2}.
Det gick inte att konvertera kolumnen {col_name1} av typen {type1} till kolumnen av typen {type2}.
Det gick inte att konvertera kolumnen {col_name1}, av typen {type1} till kolumnen {col_name2}, av typen {type2}.

Fel 0044

Ett undantag inträffar när det inte går att härleda elementtypen för kolumnen från de befintliga värdena.

Det här felet i Azure Machine Learning uppstår när det inte går att härleda typen av en kolumn eller kolumner i en datamängd. Detta inträffar vanligtvis när två eller flera datauppsättningar sammanfogas med olika elementtyper. Om Azure Machine Learning inte kan fastställa en gemensam typ som kan representera alla värden i en kolumn eller kolumner utan informationsförlust genererar det här felet.

Lösning: Se till att alla värden i en viss kolumn i båda datauppsättningarna som kombineras är av samma typ (numeriska, booleska, kategoriska, sträng, datum osv.) eller kan tvingas till samma typ.

Undantagsmeddelanden
Det går inte att härleda elementtypen för kolumnen.
Det går inte att härleda elementtypen för kolumnen {column_name}– alla element är null-referenser.
Det går inte att härleda elementtypen för kolumnen {column_name} i datauppsättningen {dataset_name}. Alla element är null-referenser.

Fel 0045

Ett undantag inträffar när det inte går att skapa en kolumn på grund av blandade elementtyper i källan.

Det här felet i Azure Machine Learning uppstår när elementtyperna för två datauppsättningar som kombineras skiljer sig åt.

Lösning: Se till att alla värden i en viss kolumn i båda datauppsättningarna som kombineras är av samma typ (numeriska, booleska, kategoriska, sträng, datum osv.).

Undantagsmeddelanden
Det går inte att skapa en kolumn med blandade elementtyper.
Det går inte att skapa en kolumn med ID:t {column_id} av blandade elementtyper: Typ av data[{row_1}, {column_id}] är "{type_1}". Typ av data[{row_2}, {column_id}] är "{type_2}".
Det går inte att skapa en kolumn med ID:t {column_id} av blandade elementtyper: Skriv in segment {chunk_id_1} är "{type_1}". Skriv in segment {chunk_id_2} är "{type_2}" med segmentstorlek: {chunk_size}.

Fel 0046

Ett undantag inträffar när det inte går att skapa en katalog på den angivna sökvägen.

Det här felet i Azure Machine Learning uppstår när det inte går att skapa en katalog på den angivna sökvägen. Du får det här felet om någon del av sökvägen till utdatakatalogen för en Hive-fråga är felaktig eller otillgänglig.

Lösning: Gå tillbaka till komponenten och kontrollera att katalogsökvägen är korrekt formaterad och att den är tillgänglig med de aktuella autentiseringsuppgifterna.

Undantagsmeddelanden
Ange en giltig utdatakatalog.
Katalog: {path} kan inte skapas. Ange en giltig sökväg.

Fel 0047

Undantag uppstår om antalet funktionskolumner i vissa datauppsättningar som skickas till komponenten är för litet.

Det här felet i Azure Machine Learning uppstår om indatamängden till träningen inte innehåller det minsta antal kolumner som krävs av algoritmen. Datamängden är vanligtvis tom eller innehåller endast träningskolumner.

Lösning: Gå tillbaka till indatauppsättningen för att se till att det finns en eller flera ytterligare kolumner förutom etikettkolumnen.

Undantagsmeddelanden
Antalet funktionskolumner i indatauppsättningen är mindre än tillåtet minimum.
Antalet funktionskolumner i indatauppsättningen är mindre än tillåtet minst {required_columns_count} kolumner.
Antalet funktionskolumner i indatauppsättningen {arg_name} är mindre än tillåtet som minst {required_columns_count} kolumner.

Fel 0048

Ett undantag inträffar när det inte går att öppna en fil.

Det här felet i Azure Machine Learning uppstår när det inte går att öppna en fil för läsning eller skrivning. Du kan få det här felet av följande skäl:

Containern eller filen (blob) finns inte
Åtkomstnivån för filen eller containern tillåter inte åtkomst till filen
Filen är för stor för att kunna läsas eller ha fel format

Lösning: Gå tillbaka till komponenten och filen som du försöker läsa.

Kontrollera att namnen på containern och filen är korrekta.

Använd den klassiska Azure-portalen eller ett Azure-lagringsverktyg för att kontrollera att du har behörighet att komma åt filen.

Undantagsmeddelanden
Det går inte att öppna en fil.
Ett fel uppstod när filen öppnades: {file_name}.
Ett fel uppstod när filen öppnades: {file_name}. Meddelande om lagringsfel: {exception}.

Fel 0049

Ett undantag inträffar när det inte går att parsa en fil.

Det här felet i Azure Machine Learning uppstår när det inte går att parsa en fil. Du får det här felet om filformatet som valts i komponenten Importera data inte matchar filens faktiska format eller om filen innehåller ett oigenkännligt tecken.

Lösning: Gå tillbaka till komponenten och korrigera valet av filformat om det inte matchar filens format. Om möjligt kontrollerar du filen för att bekräfta att den inte innehåller några ogiltiga tecken.

Undantagsmeddelanden
Det går inte att parsa en fil.
Fel vid parsning av filen {file_format}.
Fel vid parsning av {file_format}-filen: {file_name}.
Fel vid parsning av filen {file_format}. Orsak: {failure_reason}.
Fel vid parsning av {file_format}-filen: {file_name}. Orsak: {failure_reason}.

Fel 0052

Ett undantag inträffar om Azure Storage-kontonyckeln har angetts felaktigt.

Det här felet i Azure Machine Learning uppstår om nyckeln som används för att komma åt Azure-lagringskontot är felaktig. Du kan till exempel se det här felet om Azure Storage-nyckeln trunkerades när den kopierades och klistrades in, eller om fel nyckel användes.

Mer information om hur du hämtar nyckeln för ett Azure-lagringskonto finns i Visa, kopiera och återskapa lagringsåtkomstnycklar.

Lösning: Gå tillbaka till komponenten och kontrollera att Azure-lagringsnyckeln är korrekt för kontot. Kopiera nyckeln igen från den klassiska Azure-portalen om det behövs.

Undantagsmeddelanden
Azure Storage-kontonyckeln är felaktig.

Fel 0053

Undantag inträffar om det inte finns några användarfunktioner eller objekt för matchbox-rekommendationer.

Det här felet i Azure Machine Learning skapas när det inte går att hitta en funktionsvektor.

Lösning: Se till att en funktionsvektor finns i indatauppsättningen.

Undantagsmeddelanden
Användarfunktioner eller/och objekt krävs men tillhandahålls inte.

Fel 0056

Ett undantag inträffar om de kolumner som du har valt för en åtgärd strider mot kraven.

Det här felet i Azure Machine Learning uppstår när du väljer kolumner för en åtgärd som kräver att kolumnen är av en viss datatyp.

Det här felet kan också inträffa om kolumnen är rätt datatyp, men den komponent som du använder kräver att kolumnen också markeras som en funktion, etikett eller kategorisk kolumn.

Lösning:

Granska datatypen för de kolumner som för närvarande är markerade.
Kontrollera om de valda kolumnerna är kategoriska kolumner, etiketter eller funktionskolumner.
Granska hjälpavsnittet för komponenten där du gjorde kolumnvalet för att avgöra om det finns specifika krav för datatyp eller kolumnanvändning.
Använd Redigera metadata för att ändra kolumntypen under hela den här åtgärden. Se till att ändra kolumntypen tillbaka till dess ursprungliga värde, med hjälp av en annan instans av Redigera metadata, om du behöver den för underordnade åtgärder.

Undantagsmeddelanden
En eller flera markerade kolumner fanns inte i en tillåten kategori.
Kolumnen med namnet {col_name} finns inte i en tillåten kategori.

Fel 0057

Ett undantag inträffar när du försöker skapa en fil eller blob som redan finns.

Det här undantaget inträffar när du använder komponenten Exportera data eller annan komponent för att spara resultat av en pipeline i Azure Machine Learning till Azure Blob Storage, men du försöker skapa en fil eller blob som redan finns.

Lösning:

Du får endast det här felet om du tidigare har angett skrivningsläget för Azure Blob Storage till Fel. Den här komponenten skapar ett fel om du försöker skriva en datauppsättning till en blob som redan finns.

Öppna komponentegenskaperna och ändra skrivningsläget för Azure Blob Storage till Skriv över.
Du kan också skriva namnet på en annan målblob eller -fil och se till att ange en blob som inte redan finns.

Undantagsmeddelanden
Det finns redan en fil eller blob.
Filen eller blobben {file_path} finns redan.

Fel 0058

Det här felet i Azure Machine Learning uppstår om datauppsättningen inte innehåller den förväntade etikettkolumnen.

Det här undantaget kan också inträffa när den angivna etikettkolumnen inte matchar de data eller datatyper som förväntas av eleven eller har fel värden. Det här undantaget skapas till exempel när du använder en verklig etikettkolumn när du tränar en binär klassificerare.

Lösning: Lösningen beror på vilken elev eller tränare du använder och datatyperna för kolumnerna i datauppsättningen. Kontrollera först kraven för maskininlärningsalgoritmen eller träningskomponenten.

Gå tillbaka till indatauppsättningen. Kontrollera att kolumnen som du förväntar dig ska behandlas eftersom etiketten har rätt datatyp för den modell som du skapar.

Kontrollera indata för saknade värden och eliminera eller ersätt dem om det behövs.

Om det behövs lägger du till komponenten Redigera metadata och ser till att etikettkolumnen är markerad som en etikett.

Undantagsmeddelanden
Etikettkolumnvärdena och de poängsatta kolumnvärdena för etiketter är inte jämförbara.
Etikettkolumnen är inte som förväntat i {dataset_name}.
Etikettkolumnen är inte som förväntat i {dataset_name}", {reason}.
Etikettkolumnen {column_name} förväntas inte i {dataset_name}.
Etikettkolumnen {column_name} förväntas inte i {dataset_name}", {reason}.

Fel 0059

Undantag uppstår om ett kolumnindex som anges i en kolumnväljare inte kan parsas.

Det här felet i Azure Machine Learning uppstår om ett kolumnindex som anges när du använder kolumnväljaren inte kan parsas. Du får det här felet när kolumnindexet är i ett ogiltigt format som inte kan parsas.

Lösning: Ändra kolumnindexet så att det använder ett giltigt indexvärde.

Undantagsmeddelanden
Det gick inte att parsa en eller flera angivna kolumnindex eller indexintervall.
Det gick inte att parsa kolumnindexet eller intervallet {column_index_or_range}.

Fel 0060

Ett undantag inträffar när ett kolumnintervall som inte ligger inom intervallet anges i en kolumnväljare.

Det här felet i Azure Machine Learning uppstår när ett kolumnintervall som ligger utom intervallet anges i kolumnväljaren. Du får det här felet om kolumnintervallet i kolumnväljaren inte motsvarar kolumnerna i datauppsättningen.

Lösning: Ändra kolumnintervallet i kolumnväljaren så att det motsvarar kolumnerna i datauppsättningen.

Undantagsmeddelanden
Ogiltigt eller out-of-range kolumnindexintervall angivet.
Kolumnintervallet {column_range} är ogiltigt eller ligger utom intervallet.

Fel 0061

Ett undantag uppstår när du försöker lägga till en rad i en DataTable som har ett annat antal kolumner än tabellen.

Det här felet i Azure Machine Learning uppstår när du försöker lägga till en rad i en datauppsättning som har ett annat antal kolumner än datauppsättningen. Du får det här felet om raden som läggs till i datauppsättningen har ett annat antal kolumner än indatauppsättningen. Det går inte att bifoga raden i datamängden om antalet kolumner är annorlunda.

Lösning: Ändra indatauppsättningen så att den har samma antal kolumner som raden som har lagts till, eller ändra raden som läggs till så att den har samma antal kolumner som datauppsättningen.

Undantagsmeddelanden
Alla tabeller måste ha samma antal kolumner.
Kolumner i segmentet {chunk_id_1} skiljer sig från segment "{chunk_id_2}" med segmentstorlek: {chunk_size}.
Kolumnantalet i filen {filename_1}( count={column_count_1}) skiljer sig från filen {filename_2}( count={column_count_2}).

Fel 0062

Ett undantag inträffar vid försök att jämföra två modeller med olika inlärningstyper.

Det här felet i Azure Machine Learning genereras när utvärderingsmått för två olika poängsatta datauppsättningar inte kan jämföras. I det här fallet är det inte möjligt att jämföra effektiviteten hos de modeller som används för att producera de två poängsatta datauppsättningarna.

Lösning: Kontrollera att de poängsatta resultaten produceras av samma typ av maskininlärningsmodell (binär klassificering, regression, klassificering av flera klasser, rekommendation, klustring, avvikelseidentifiering osv.) Alla modeller som du jämför måste ha samma elevtyp.

Undantagsmeddelanden
Alla modeller måste ha samma elevtyp.
Inkompatibel elevtyp: "{actual_learner_type}". Förväntade inlärningstyper är: {expected_learner_type_list}.

Fel 0064

Ett undantag inträffar om Namnet på Azure-lagringskontot eller lagringsnyckeln har angetts felaktigt.

Det här felet i Azure Machine Learning uppstår om namnet på Azure-lagringskontot eller lagringsnyckeln har angetts felaktigt. Du får det här felet om du anger ett felaktigt kontonamn eller lösenord för lagringskontot. Detta kan inträffa om du anger kontonamnet eller lösenordet manuellt. Det kan också inträffa om kontot har tagits bort.

Lösning: Kontrollera att kontonamnet och lösenordet har angetts korrekt och att kontot finns.

Undantagsmeddelanden
Namnet på Azure-lagringskontot eller lagringsnyckeln är felaktigt.
Azure Storage-kontonamnet {account_name} eller lagringsnyckeln för kontonamnet är felaktigt.

Fel 0065

Ett undantag inträffar om Azure-blobnamnet har angetts felaktigt.

Det här felet i Azure Machine Learning uppstår om Azure-blobnamnet har angetts felaktigt. Du får felet om:

Det går inte att hitta bloben i den angivna containern.

Endast containern angavs som källa i en importdatabegäran när formatet var Excel eller CSV med kodning. Sammanlänkning av innehållet i alla blobar i en container tillåts inte med dessa format.
En SAS-URI innehåller inte namnet på en giltig blob.

Lösning: Gå tillbaka till komponenten som utlöser undantaget. Kontrollera att den angivna bloben finns i containern i lagringskontot och att behörigheter gör att du kan se bloben. Kontrollera att indata är av formuläret containernamn/filnamn om du har Excel eller CSV med kodningsformat. Kontrollera att en SAS-URI innehåller namnet på en giltig blob.

Undantagsmeddelanden
Azure Storage-blobnamnet är felaktigt.
Azure Storage-blobnamnet {blob_name} är felaktigt.
Azure Storage-blobnamnet med prefixet {blob_name_prefix} finns inte.
Det gick inte att hitta några Azure Storage-blobar under containern {container_name}.
Det gick inte att hitta några Azure-lagringsblobar med sökvägen {blob_wildcard_path}.

Fel 0066

Ett undantag inträffar om en resurs inte kunde laddas upp till en Azure Blob.

Det här felet i Azure Machine Learning inträffar om en resurs inte kunde laddas upp till en Azure Blob. Båda sparas på samma Azure-lagringskonto som kontot som innehåller indatafilen.

Lösning: Gå tillbaka till komponenten. Kontrollera att Azure-kontonamnet, lagringsnyckeln och containern är korrekta och att kontot har behörighet att skriva till containern.

Undantagsmeddelanden
Det gick inte att ladda upp resursen till Azure Storage.
Det gick inte att ladda upp filen {source_path} till Azure Storage som {dest_path}.

Fel 0067

Ett undantag inträffar om en datauppsättning har ett annat antal kolumner än förväntat.

Det här felet i Azure Machine Learning uppstår om en datauppsättning har ett annat antal kolumner än förväntat. Du får det här felet när antalet kolumner i datamängden skiljer sig från antalet kolumner som komponenten förväntar sig under körningen.

Lösning: Ändra indatauppsättningen eller parametrarna.

Undantagsmeddelanden
Oväntat antal kolumner i datatabellen.
Oväntat antal kolumner i datamängden {dataset_name}.
Förväntade sig "{expected_column_count}"-kolumner men hittade kolumnerna {actual_column_count}i stället.
I indatauppsättningen {dataset_name}förväntade du dig kolumnerna {expected_column_count}, men hittade i stället kolumnerna {actual_column_count}.

Fel 0068

Ett undantag inträffar om det angivna Hive-skriptet inte är korrekt.

Det här felet i Azure Machine Learning uppstår om det finns syntaxfel i ett Hive QL-skript, eller om Hive-tolken stöter på ett fel när frågan eller skriptet körs.

Lösning:

Felmeddelandet från Hive rapporteras normalt tillbaka i felloggen så att du kan vidta åtgärder baserat på det specifika felet.

Öppna komponenten och kontrollera om det finns fel i frågan.
Kontrollera att frågan fungerar korrekt utanför Azure Machine Learning genom att logga in på Hive-konsolen i Hadoop-klustret och köra frågan.
Prova att placera kommentarer i Hive-skriptet på en separat rad i stället för att blanda körbara instruktioner och kommentarer på en enda rad.

Resurser

Se följande artiklar om du vill ha hjälp med Hive-frågor för maskininlärning:

Undantagsmeddelanden
Hive-skriptet är felaktigt.

Fel 0069

Ett undantag inträffar om det angivna SQL-skriptet inte är korrekt.

Det här felet i Azure Machine Learning uppstår om det angivna SQL-skriptet har syntaxproblem, eller om kolumnerna eller tabellen som anges i skriptet inte är giltiga.

Du får det här felet om SQL-motorn stöter på något fel när frågan eller skriptet körs. SQL-felmeddelandet rapporteras normalt tillbaka i felloggen så att du kan vidta åtgärder baserat på det specifika felet.

Lösning: Gå tillbaka till komponenten och granska SQL-frågan efter misstag.

Kontrollera att frågan fungerar korrekt utanför Azure Machine Learning genom att logga in på databasservern direkt och köra frågan.

Om ett SQL-genererat meddelande rapporteras av komponentfelet vidtar du åtgärder baserat på det rapporterade felet. Felmeddelandena innehåller till exempel ibland specifik vägledning om det troliga felet:

Ingen sådan kolumn eller databas saknas, vilket indikerar att du kanske har skrivit ett kolumnnamn fel. Om du är säker på att kolumnnamnet är korrekt kan du prova att använda hakparenteser eller citattecken för att omsluta kolumnidentifieraren.
SQL-logikfel nära SQL-nyckelord<>, vilket indikerar att du kan ha ett syntaxfel före det angivna nyckelordet

Undantagsmeddelanden
SQL-skriptet är felaktigt.
SQL-frågan {sql_query} är inte korrekt.
SQL-frågan {sql_query} är inte korrekt. Undantagsmeddelande: {exception}.

Fel 0070

Ett undantag inträffar vid försök att komma åt en obefintlig Azure-tabell.

Det här felet i Azure Machine Learning uppstår när du försöker komma åt en obefintlig Azure-tabell. Du får det här felet om du anger en tabell i Azure Storage, som inte finns när du läser från eller skriver till Azure Table Storage. Detta kan inträffa om du skriver fel namn på den önskade tabellen eller om du har ett matchningsfel mellan målnamnet och lagringstypen. Du tänkte till exempel läsa från en tabell men angav namnet på en blob i stället.

Lösning: Gå tillbaka till komponenten för att kontrollera att namnet på tabellen är korrekt.

Undantagsmeddelanden
Azure-tabellen finns inte.
Azure-tabellen {table_name} finns inte.

Fel 0072

Ett undantag inträffar vid tidsgränsen för anslutningen.

Det här felet i Azure Machine Learning inträffar när en anslutning överskrider tidsgränsen. Du får det här felet om det för närvarande finns anslutningsproblem med datakällan eller målet, till exempel långsam internetanslutning, eller om datamängden är stor och/eller SQL-frågan som ska läsas i data utför komplicerad bearbetning.

Lösning: Avgör om det för närvarande finns problem med långsamma anslutningar till Azure Storage eller Internet.

Undantagsmeddelanden
tidsgränsen för Anslut ion inträffade.

Fel 0073

Ett undantag uppstår om ett fel inträffar när en kolumn konverteras till en annan typ.

Det här felet i Azure Machine Learning uppstår när det inte går att konvertera kolumnen till en annan typ. Du får det här felet om en komponent kräver en viss typ och det inte går att konvertera kolumnen till den nya typen.

Lösning: Ändra indatauppsättningen så att kolumnen kan konverteras baserat på det inre undantaget.

Undantagsmeddelanden
Det gick inte att konvertera kolumnen.
Det gick inte att konvertera kolumnen till {target_type}.

Fel 0075

Ett undantag inträffar när en ogiltig binningsfunktion används när en datauppsättning kvantifieras.

Det här felet i Azure Machine Learning inträffar när du försöker bina data med en metod som inte stöds eller när parameterkombinationerna är ogiltiga.

Lösning:

Felhantering för den här händelsen introducerades i en tidigare version av Azure Machine Learning som möjliggjorde mer anpassning av binningsmetoder. För närvarande baseras alla binningsmetoder på ett val från en listruta, så tekniskt sett bör det inte längre vara möjligt att få det här felet.

Undantagsmeddelanden
Ogiltig binningsfunktion används.

Fel 0077

Ett undantag inträffar när läget för skrivningar av okänd blobfil skickas.

Det här felet i Azure Machine Learning uppstår om ett ogiltigt argument skickas i specifikationerna för en blobfils mål eller källa.

Lösning: I nästan alla komponenter som importerar eller exporterar data till och från Azure Blob Storage tilldelas parametervärden som styr skrivläget med hjälp av en listruta. Därför går det inte att skicka ett ogiltigt värde och det här felet bör inte visas. Det här felet kommer att bli inaktuellt i en senare version.

Undantagsmeddelanden
Blobskrivningsläge som inte stöds.
Blobskrivningsläge som inte stöds: {blob_write_mode}.

Fel 0078

Ett undantag inträffar när HTTP-alternativet för importdata tar emot en 3xx-statuskod som anger omdirigering.

Det här felet i Azure Machine Learning inträffar när HTTP-alternativet för importdata tar emot statuskoden 3xx (301, 302, 304 osv.) som anger omdirigering. Du får det här felet om du försöker ansluta till en HTTP-källa som omdirigerar webbläsaren till en annan sida. Av säkerhetsskäl tillåts inte omdirigering av webbplatser som datakällor för Azure Machine Learning.

Lösning: Om webbplatsen är en betrodd webbplats anger du den omdirigerade URL:en direkt.

Undantagsmeddelanden
Http-omdirigering tillåts inte.

Fel 0079

Ett undantag inträffar om namnet på Azure Storage-containern har angetts felaktigt.

Det här felet i Azure Machine Learning uppstår om namnet på Azure Storage-containern har angetts felaktigt. Du får det här felet om du inte har angett både containern och blobnamnet (filen) med alternativet Sökväg till blob som börjar med containern när du skriver till Azure Blob Storage.

Lösning: Gå tillbaka till komponenten Exportera data och kontrollera att den angivna sökvägen till bloben innehåller både containern och filnamnet i formatet container/filnamn.

Undantagsmeddelanden
Namnet på Azure Storage-containern är felaktigt.
Azure Storage-containernamnet {container_name} är felaktigt. ett containernamn för formatet container/blob förväntades.

Fel 0080

Ett undantag inträffar när kolumnen med alla värden som saknas inte tillåts av komponenten.

Det här felet i Azure Machine Learning uppstår när en eller flera av kolumnerna som används av komponenten innehåller alla saknade värden. Om en komponent till exempel beräknar aggregerad statistik för varje kolumn kan den inte fungera på en kolumn som inte innehåller några data. I sådana fall stoppas komponentkörningen med det här undantaget.

Lösning: Gå tillbaka till indatauppsättningen och ta bort alla kolumner som innehåller alla saknade värden.

Undantagsmeddelanden
Kolumner med alla värden som saknas är inte tillåtna.
Kolumnen {col_index_or_name} innehåller alla värden som saknas.

Fel 0081

Undantag inträffar i PCA-komponenten om antalet dimensioner som ska minskas till är lika med antalet funktionskolumner i indatauppsättningen, som innehåller minst en gles funktionskolumn.

Det här felet i Azure Machine Learning uppstår om följande villkor uppfylls: (a) indatauppsättningen har minst en gles kolumn och (b) det slutliga antalet begärda dimensioner är detsamma som antalet indatadimensioner.

Lösning: Överväg att minska antalet dimensioner i utdata till färre än antalet dimensioner i indata. Det är typiskt i program för PCA.

Undantagsmeddelanden
För datamängd som innehåller glesa funktionskolumner bör antalet dimensioner som ska minskas till vara mindre än antalet funktionskolumner.

Fel 0082

Ett undantag inträffar när en modell inte kan deserialiseras.

Det här felet i Azure Machine Learning uppstår när en sparad maskininlärningsmodell eller transformering inte kan läsas in av en nyare version av Azure Machine Learning-körningen till följd av en icke-bakåtkompatibel ändring.

Lösning: Träningspipelinen som producerade modellen eller transformeringen måste köras på nytt och modellen eller transformeringen måste återskapas.

Undantagsmeddelanden
Det gick inte att deserialisera modellen eftersom den troligen serialiseras med ett äldre serialiseringsformat. Träna om och omskapa modellen.

Fel 0083

Undantag inträffar om datauppsättningen som används för träning inte kan användas för konkret typ av elev.

Det här felet i Azure Machine Learning skapas när datamängden inte är kompatibel med den elev som tränas. Datamängden kan till exempel innehålla minst ett värde som saknas på varje rad, och därför hoppas hela datamängden över under träningen. I andra fall förväntar sig inte vissa maskininlärningsalgoritmer som avvikelseidentifiering att etiketter ska finnas och kan utlösa det här undantaget om etiketter finns i datauppsättningen.

Lösning: Läs dokumentationen för den elev som används för att kontrollera kraven för indatauppsättningen. Granska kolumnerna för att se att alla obligatoriska kolumner finns.

Undantagsmeddelanden
Datauppsättningen som används för träning är ogiltig.
{data_name} innehåller ogiltiga data för träning.
{data_name} innehåller ogiltiga data för träning. Inlärartyp: {learner_type}.
{data_name} innehåller ogiltiga data för träning. Inlärartyp: {learner_type}. Orsak: {reason}.
Det gick inte att tillämpa åtgärden {action_name} på träningsdata {data_name}. Orsak: {reason}.

Fel 0084

Ett undantag inträffar när poäng som genereras från ett R-skript utvärderas. Detta stöds för närvarande inte.

Det här felet i Azure Machine Learning uppstår om du försöker använda någon av komponenterna för att utvärdera en modell med utdata från ett R-skript som innehåller poäng.

Lösning:

Undantagsmeddelanden
Utvärdering av poäng som skapats av anpassad modell stöds för närvarande inte.

Fel 0085

Ett undantag inträffar när skriptutvärderingen misslyckas med ett fel.

Det här felet i Azure Machine Learning inträffar när du kör ett anpassat skript som innehåller syntaxfel.

Lösning: Granska koden i en extern redigerare och sök efter fel.

Undantagsmeddelanden
Fel vid utvärdering av skript.
Följande fel uppstod under skriptutvärderingen. Mer information finns i utdataloggen: ---------- Start av felmeddelande från tolken {script_language} ---------- {message} ---------- Felmeddelandets slut från tolken {script_language} ----------

Fel 0090

Ett undantag inträffar när det inte går att skapa Hive-tabellen.

Det här felet i Azure Machine Learning uppstår när du använder Exportera data eller ett annat alternativ för att spara data i ett HDInsight-kluster och den angivna Hive-tabellen inte kan skapas.

Lösning: Kontrollera namnet på azure-lagringskontot som är associerat med klustret och kontrollera att du använder samma konto i komponentegenskaperna.

Undantagsmeddelanden
Det gick inte att skapa Hive-tabellen. För ett HDInsight-kluster kontrollerar du att namnet på Azure-lagringskontot som är associerat med klustret är detsamma som det som skickas via komponentparametern.
Det gick inte att skapa Hive-tabellen {table_name}. För ett HDInsight-kluster kontrollerar du att namnet på Azure-lagringskontot som är associerat med klustret är detsamma som det som skickas via komponentparametern.
Det gick inte att skapa Hive-tabellen {table_name}. För ett HDInsight-kluster kontrollerar du att Namnet på Azure-lagringskontot som är associerat med klustret är {cluster_name}.

Fel 0102

Utlöses när en ZIP-fil inte kan extraheras.

Det här felet i Azure Machine Learning uppstår när du importerar ett zip-paket med zip-tillägget .zip, men paketet är antingen inte en zip-fil eller så använder filen inte ett zip-format som stöds.

Lösning: Kontrollera att den valda filen är en giltig .zip-fil och att den komprimerades med hjälp av någon av de komprimeringsalgoritmer som stöds.

Om du får det här felet när du importerar datauppsättningar i komprimerat format kontrollerar du att alla inneslutna filer använder något av de filformat som stöds och är i Unicode-format.

Försök att läsa de önskade filerna i en ny komprimerad zippad mapp och försök lägga till den anpassade komponenten igen.

Undantagsmeddelanden
Angiven ZIP-fil har inte rätt format.

Fel 0105

Det här felet visas när en komponentdefinitionsfil innehåller en parametertyp som inte stöds

Det här felet i Azure Machine Learning skapas när du skapar en xml-definition för anpassad komponent och typen av parameter eller argument i definitionen inte matchar en typ som stöds.

Lösning: Kontrollera att typegenskapen för ett Arg-element i xml-definitionsfilen för anpassad komponent är en typ som stöds.

Undantagsmeddelanden
Parametertypen stöds inte.
Parametertypen "{0}" som inte stöds har angetts.

Fel 0107

Utlöses när en komponentdefinitionsfil definierar en utdatatyp som inte stöds

Det här felet i Azure Machine Learning uppstår när typen av utdataport i en xml-definition för anpassad komponent inte matchar en typ som stöds.

Lösning: Kontrollera att typegenskapen för ett utdataelement i xml-definitionsfilen för anpassad komponent är en typ som stöds.

Undantagsmeddelanden
Utdatatypen stöds inte.
Utdatatypen {output_type} som inte stöds har angetts.

Fel 0125

Utlöses när schemat för flera datauppsättningar inte matchar.

Lösning:

Undantagsmeddelanden
Datauppsättningsschemat matchar inte.

Fel 0127

Bildpunktsstorleken överskrider tillåten gräns

Det här felet uppstår om du läser bilder från en bilddatauppsättning för klassificering och bilderna är större än modellen kan hantera.

Undantagsmeddelanden
Bildpunktsstorleken överskrider den tillåtna gränsen.
Bildpunktsstorleken i filen {file_path} överskrider den tillåtna gränsen: {size_limit}.

Fel 0128

Antalet villkorsstyrda sannolikheter för kategoriska kolumner överskrider gränsen.

Lösning:

Undantagsmeddelanden
Antalet villkorsstyrda sannolikheter för kategoriska kolumner överskrider gränsen.
Antalet villkorsstyrda sannolikheter för kategoriska kolumner överskrider gränsen. Kolumnerna {column_name_or_index_1} och {column_name_or_index_2} är det problematiska paret.

Fel 0129

Antalet kolumner i datamängden överskrider den tillåtna gränsen.

Lösning:

Undantagsmeddelanden
Antalet kolumner i datamängden överskrider den tillåtna gränsen.
Antalet kolumner i datamängden i {dataset_name} överskrider tillåtna.
Antalet kolumner i datamängden i {dataset_name} överskrider den tillåtna gränsen för {component_name}.
Antalet kolumner i datamängden i {dataset_name} överskrider den tillåtna gränsen {limit_columns_count} för {component_name}.

Fel 0134

Ett undantag inträffar när etikettkolumnen saknas eller inte har tillräckligt många märkta rader.

Det här felet uppstår när komponenten kräver en etikettkolumn, men du inte tog med en i kolumnmarkeringen, eller om etikettkolumnen saknar för många värden.

Det här felet kan också inträffa när en tidigare åtgärd ändrar datauppsättningen så att otillräckliga rader är tillgängliga för en nedströmsåtgärd. Anta till exempel att du använder ett uttryck i komponenten Partition och Exempel för att dividera en datauppsättning med värden. Om inga matchningar hittas för uttrycket är en av de datauppsättningar som kommer från partitionen tom.

Lösning:

Om du inkluderar en etikettkolumn i kolumnmarkeringen men den inte känns igen använder du komponenten Redigera metadata för att markera den som en etikettkolumn.

Sedan kan du använda komponenten Rensa saknade data för att ta bort rader med värden som saknas i etikettkolumnen.

Kontrollera dina indatauppsättningar för att se till att de innehåller giltiga data och tillräckligt många rader för att uppfylla kraven för åtgärden. Många algoritmer genererar ett felmeddelande om de kräver vissa minsta antal rader med data, men data innehåller bara några rader, eller bara ett huvud.

Undantagsmeddelanden
Ett undantag inträffar när etikettkolumnen saknas eller inte har tillräckligt många märkta rader.
Ett undantag inträffar när etikettkolumnen saknas eller har mindre än {required_rows_count} märkta rader.
Undantag uppstår när etikettkolumnen i datamängden {dataset_name} saknas eller har mindre än {required_rows_count} märkta rader.

Fel 0138

Minnet har förbrukats och det går inte att slutföra körningen av komponenten. Om du kopplar ned datauppsättningen kan det hjälpa dig att lösa problemet.

Det här felet uppstår när komponenten som körs kräver mer minne än vad som är tillgängligt i Azure-containern. Detta kan inträffa om du arbetar med en stor datamängd och den aktuella åtgärden inte får plats i minnet.

Lösning: Om du försöker läsa en stor datamängd och åtgärden inte kan slutföras kan det hjälpa att koppla ned datamängden.

Undantagsmeddelanden
Minnet har förbrukats och det går inte att slutföra körningen av komponenten.
Minnet har förbrukats och det går inte att slutföra körningen av komponenten. Information: {details}

Fel 0141

Undantaget inträffar om antalet valda numeriska kolumner och unika värden i de kategoriska kolumnerna och strängkolumnerna är för litet.

Det här felet i Azure Machine Learning uppstår när det inte finns tillräckligt med unika värden i den valda kolumnen för att utföra åtgärden.

Lösning: Vissa åtgärder utför statistiska åtgärder för funktionskolumner och kategoriska kolumner, och om det inte finns tillräckligt med värden kan åtgärden misslyckas eller returnera ett ogiltigt resultat. Kontrollera din datauppsättning för att se hur många värden som finns i funktions- och etikettkolumnerna och kontrollera om åtgärden du försöker utföra är statistiskt giltig.

Om källdatauppsättningen är giltig kan du också kontrollera om en överordnad datamanipulering eller metadataåtgärd har ändrat data och tagit bort vissa värden.

Om överordnade åtgärder omfattar delning, sampling eller omsampling kontrollerar du att utdata innehåller det förväntade antalet rader och värden.

Undantagsmeddelanden
Antalet valda numeriska kolumner och unika värden i de kategoriska kolumnerna och strängkolumnerna är för litet.
Det totala antalet markerade numeriska kolumner och unika värden i de kategoriska kolumnerna och strängkolumnerna (för närvarande {actual_num}) bör vara minst {lower_boundary}.

Fel 0154

Ett undantag inträffar när användaren försöker koppla data till nyckelkolumner med inkompatibel kolumntyp.

Undantagsmeddelanden
Elementtyper för nyckelkolumner är inte kompatibla.
Elementtyper för nyckelkolumner är inte kompatibla. (vänster: {keys_left}; höger: {keys_right})

Fel 0155

Ett undantag inträffar när kolumnnamnen för datamängden inte är strängar.

Undantagsmeddelanden
Dataramens kolumnnamn måste vara strängtyp. Kolumnnamn är inte sträng.
Dataramens kolumnnamn måste vara strängtyp. Kolumnnamnen {column_names} är inte sträng.

Fel 0156

Ett undantag inträffar när det inte gick att läsa data från Azure SQL Database.

Undantagsmeddelanden
Det gick inte att läsa data från Azure SQL Database.
Det gick inte att läsa data från Azure SQL Database: {detailed_message} DB: {database_server_name}:{database_name} Fråga: {sql_statement}

Fel 0157

Det gick inte att hitta datalager.

Undantagsmeddelanden
Datalagerinformationen är ogiltig.
Datalagerinformationen är ogiltig. Det gick inte att hämta Azure Machine Learning-dataarkivet {datastore_name} på arbetsytan {workspace_name}.

Fel 0158

Utlöses när en transformeringskatalog är ogiltig.

Undantagsmeddelanden
Angiven TransformationDirectory är ogiltig.
TransformationDirectory {arg_name} är ogiltig. Orsak: {reason}. Kör träningsexperimentet igen, vilket genererar transformeringsfilen. Om träningsexperimentet har tagits bort återskapar du och sparar transformeringsfilen.
TransformationDirectory {arg_name} är ogiltig. Orsak: {reason}. {troubleshoot_hint}

Fel 0159

Ett undantag inträffar om komponentmodellkatalogen är ogiltig.

Undantagsmeddelanden
Angiven ModelDirectory är ogiltig.
ModelDirectory {arg_name} är ogiltig.
ModelDirectory {arg_name} är ogiltig. Orsak: {reason}.
ModelDirectory {arg_name} är ogiltig. Orsak: {reason}. {troubleshoot_hint}

Fel 1000

Internt biblioteksfel.

Det här felet tillhandahålls för att samla in annars ohanterade interna motorfel. Orsaken till det här felet kan därför vara olika beroende på vilken komponent som genererade felet.

För att få mer hjälp rekommenderar vi att du publicerar det detaljerade meddelandet som åtföljer felet i Azure Machine Learning-forumet, tillsammans med en beskrivning av scenariot, inklusive de data som används som indata. Den här feedbacken hjälper oss att prioritera fel och identifiera de viktigaste problemen för ytterligare arbete.

Undantagsmeddelanden
Biblioteksfel.
Biblioteksfel: {exception}.
Okänt biblioteksfel: {exception}. {customer_support_guidance}.

Köra Python-skriptkomponent

Sök i azureml_main i 70_driver_logs av Komponenten Kör Python-skript och du kan hitta vilket radfel som uppstod. Till exempel anger "File "/tmp/tmp01_ID/user_script.py", rad 17, i azureml_main" att felet inträffade på 17-raden i Python-skriptet.

Distribuerad träning

Designer stöder för närvarande distribuerad utbildning för och Train PyTorch Model-komponent .

Om den komponentaktiverade distribuerade träningen misslyckas utan några 70_driver loggar kan du söka efter 70_mpi_log felinformation.

I följande exempel visas att antalet noder för körningsinställningar är större än det tillgängliga antalet noder i beräkningsklustret.

I följande exempel visas att antalet processer per nod är större än bearbetningsenheten för beräkningen.

Annars kan du söka efter 70_driver_log varje process. 70_driver_log_0 är för huvudprocess.