Risolvere i problemi relativi alle eccezioni dei moduli in Machine Learning Studio (versione classica) usando i codici di errore

Informazioni sui messaggi di errore e sui codici di eccezione che è possibile riscontrare usando i moduli in Machine Learning Studio (versione classica).

Per risolvere il problema, cercare l'errore in questo articolo per informazioni sulle cause comuni. Esistono due modi per ottenere il testo completo di un messaggio di errore in Studio (versione classica):

• Fare clic sul collegamento Visualizza log di output, nel riquadro destro e scorrere fino alla fine. Il messaggio di errore dettagliato viene visualizzato nelle ultime due righe della finestra.

• Selezionare il modulo con l'errore e fare clic sulla X rossa. Viene visualizzato solo il testo dell'errore pertinente.

Se il testo del messaggio di errore non è utile, inviare informazioni sul contesto ed eventuali aggiunte o modifiche desiderate. È possibile inviare commenti e suggerimenti sull'argomento relativo all'errore oppure visitare il forum di Machine Learning Studio (versione classica) e pubblicare una domanda.

Errore 0001

L'eccezione si verifica se non è possibile trovare una o più colonne specificate del set di dati.

Questo errore viene visualizzato se si esegue una selezione di colonne per un modulo, ma le colonne selezionate non esistono nel set di dati di input. Questo errore può verificarsi se è stato digitato manualmente in un nome di colonna o se il selettore di colonna ha fornito una colonna suggerita che non esiste nel set di dati durante l'esecuzione dell'esperimento.

Risoluzione: Rivedere il modulo che genera l'eccezione e verificare che il nome della colonna è corretto e che tutte le colonne a cui si fa riferimento esistano.

Messaggi di eccezione
One or more specified columns were not found
Colonna con nome o indice "{0}" non trovata
La colonna con nome o indice "{0}" non esiste in "{1}"

Errore 0002

L'eccezione si verifica se non è stato possibile analizzare o convertire uno o più parametri dal tipo specificato nel tipo richiesto dal metodo di destinazione.

Questo errore si verifica in Machine Learning quando si specifica un parametro come input e il tipo di valore è diverso dal tipo previsto e non è possibile eseguire la conversione implicita.

Risoluzione: Verificare i requisiti del modulo e determinare quale tipo di valore è richiesto: stringa, numero intero, valore doppio e così via.

Messaggi di eccezione
Failed to parse parameter
Impossibile analizzare il parametro "{0}"
Impossibile analizzare (convertire) il parametro "{0}" in "{1}"
Impossibile convertire il parametro "{0}" da "{1}" a "{2}"
Impossibile convertire il valore del parametro "{0}" "{1}" da "{2}" a "{3}"
Impossibile convertire il valore "" nella colonna "{0}{1}" da "{2}" a "{3}" con l'utilizzo del formato "{4}" fornito

Errore 0003

L'eccezione si verifica se uno o più input sono null o vuoti.

Questo errore verrà visualizzato in Machine Learning se gli input o i parametri di un modulo sono null o vuoti. Questo errore può verificarsi, ad esempio, quando non è stato digitato alcun valore per un parametro. Può verificarsi anche se si sceglie un set di dati senza valori o un set di dati vuoto.

Risoluzione:

• Aprire il modulo che ha generato l'eccezione e verificare che tutti gli input siano stati specificati. Verificare che siano specificati tutti gli input obbligatori.
• Assicurarsi che i dati caricati dall'archiviazione di Azure siano accessibili e che il nome o la chiave dell'account non siano stati modificati.
• Controllare che nei dati di input i valori non siano mancanti o null.
• Se si usa una query in un'origine dati, verificare che i dati vengano restituiti nel formato previsto.
• Verificare la presenza di errori di digitazione o altre modifiche nella specifica dei dati.

Messaggi di eccezione
Uno o più input sono null o vuoti
L'input "{0}" è null o vuoto

Errore 0004

L'eccezione si verifica se un parametro è inferiore o uguale a un valore specifico.

Questo errore verrà visualizzato in Machine Learning se il parametro nel messaggio è inferiore a un valore limite necessario per l'elaborazione dei dati da parte del modulo.

Risoluzione: Rivedere il modulo che genera l'eccezione e modificare il parametro in modo che sia maggiore del valore specificato.

Messaggi di eccezione
Parameter should be greater than boundary value. (Il parametro deve essere maggiore del valore limite.)
Il valore del parametro "{0}" deve essere maggiore di {1}.
Il parametro "{0}" ha il valore "{1}" che deve essere maggiore di {2}

Errore 0005

L'eccezione si verifica se il parametro è inferiore a un valore specifico.

Questo errore verrà visualizzato in Machine Learning se il parametro nel messaggio è inferiore o uguale a un valore limite necessario per l'elaborazione dei dati da parte del modulo.

Risoluzione: Rivedere il modulo che genera l'eccezione e modificare il parametro in modo che sia maggiore o uguale al valore specificato.

Messaggi di eccezione
Parameter should be greater than or equal to boundary value. (Il valore del parametro deve essere maggiore o uguale al valore limite.)
Il valore del parametro "{0}" deve essere maggiore o uguale a {1}.
Il parametro "{0}" ha valore "{1}" che deve essere maggiore o uguale a {2}.

Errore 0006

L'eccezione si verifica se il parametro è maggiore o uguale al valore specificato.

Questo errore verrà visualizzato in Machine Learning se il parametro nel messaggio è maggiore o uguale a un valore limite necessario per l'elaborazione dei dati da parte del modulo.

Risoluzione: Rivedere il modulo che genera l'eccezione e modificare il parametro in modo che sia inferiore al valore specificato.

Messaggi di eccezione
Parameters mismatch. (Parametri non corrispondenti.) One of the parameters should be less than another. (Il valore di uno dei parametri deve essere minore del valore dell'altro.)
Il valore del parametro "{0}" deve essere minore del valore del parametro "{1}".
Il parametro "{0}" ha il valore "{1}" che deve essere minore di {2}.

Errore 0007

L'eccezione si verifica se il parametro è maggiore di un valore specifico.

Questo errore verrà visualizzato in Machine Learning se, nelle proprietà del modulo, è stato specificato un valore maggiore di quello consentito. È possibile, ad esempio, specificare un valore che non è compreso nell'intervallo di date supportate. In alternativa, è possibile indicare che vengono usate cinque colonne quando sono disponibili solo tre colonne.

Questo errore può essere visualizzato anche se si specificano due set di dati che devono corrispondere. Se, ad esempio, si rinominano le colonne e si specificano le colonne in base all'indice, il numero di nomi specificati deve corrispondere al numero di indici di colonna. Un altro esempio potrebbe essere un'operazione matematica che usa due colonne, in cui le colonne devono avere lo stesso numero di righe.

Risoluzione:

• Aprire il modulo in questione ed esaminare le impostazioni delle proprietà numeriche.
• Verificare che i valori dei parametri rientrino nell'intervallo di valori supportato per quella proprietà.
• Se il modulo riceve più input, verificare che le dimensioni degli input siano uguali.
• Se il modulo dispone di più proprietà che è possibile impostare, assicurarsi che le proprietà correlate abbiano valori appropriati. Ad esempio, quando si usano Raggruppa dati in contenitori, se si usa l'opzione per specificare bordi bin personalizzati, il numero di contenitori deve corrispondere al numero di valori specificati come limiti bin.
• Controllare che il set di dati o l'origine dati siano stati modificati. Talvolta un valore che funzionava con una versione precedente dei dati non sarà adeguato dopo che il numero di colonne, i tipi di dati della colonna o le dimensioni dei dati sono stati modificati.

Messaggi di eccezione
Parameters mismatch. (Parametri non corrispondenti.) One of the parameters should be less than or equal to another. (Il valore di uno dei parametri deve essere maggiore o uguale al valore dell'altro.)
Il valore del parametro "{0}" deve essere minore o uguale al valore del parametro "{1}".
Il parametro "{0}" ha il valore "{1}" che deve essere minore o uguale a {2}.

Errore 0008

L'eccezione si verifica se il parametro non rientra nell'intervallo.

Questo errore verrà visualizzato in Machine Learning se il parametro nel messaggio non rientra nei limiti necessari per l'elaborazione dei dati da parte del modulo.

Questo errore viene visualizzato, ad esempio, se si tenta di usare Aggiungi righe per combinare due set di dati che hanno un numero diverso di colonne.

Risoluzione: Rivedere il modulo che genera l'eccezione e modificare il parametro in modo che sia compreso nell'intervallo specificato.

Messaggi di eccezione
Parameter value is not in the specified range. (Il valore del parametro non è compreso nell'intervallo specificato.)
Il valore del parametro "{0}" non è compreso nell'intervallo.
Il valore del parametro "{0}" deve essere compreso nell'intervallo di [{1}, {2}].

Errore 0009

L'eccezione si verifica quando il nome dell'account di Archiviazione di Azure o il nome del contenitore non è stato specificato correttamente.

Questo errore si verifica in Machine Learning Studio (versione classica) quando si specificano parametri per un account di archiviazione di Azure, ma non è possibile risolvere il nome o la password. Gli errori di password o relativi ai nomi degli account possono verificarsi per diversi motivi:

• Il tipo di account non è corretto. Alcuni nuovi tipi di account non sono supportati per l'uso con Machine Learning Studio (versione classica). Per informazioni dettagliate, vedere Importazione dei dati.
• Il nome dell'account inserito non è corretto
• L'account non esiste più
• La password per l'account di archiviazione è errata o è stata modificata
• Il nome del contenitore non è stato specificato oppure il contenitore non esiste
• Non è stato specificato il percorso del file completo (percorso del BLOB)

Risoluzione:

Questi problemi si verificano spesso quando si immette manualmente il nome dell'account, la password o il percorso del contenitore. Si consiglia di usare la nuova procedura guidata per il modulo Importazione dei dati, che consente di cercare e controllare i nomi.

Controllare anche se l'account, il contenitore o il BLOB sono stati eliminati. Usare un'altra utilità di archiviazione di Azure per verificare che il nome e la password dell'account siano stati immessi correttamente e che il contenitore esista.

Alcuni tipi di account più recenti non sono supportati da Machine Learning. Ad esempio, non è possibile usare i nuovi tipi di archiviazione "ad accesso frequente" o "offline sicura" per Machine Learning. Sia gli account di archiviazione classica che gli account di archiviazione creati per "utilizzo generico" funzionano correttamente.

Se è stato specificato il percorso completo di un BLOB, verificare che il percorso sia specificato come container/blobname e che sia il contenitore che il BLOB esistano nell'account.

Il percorso non deve contenere una barra iniziale. Ad esempio /container/blob non è corretto e deve essere immesso come container/blob.

Risorse

Per una spiegazione delle diverse opzioni di archiviazione supportate, vedere questo articolo: Importare dati in Machine Learning Studio (versione classica) da varie origini dati online con il modulo Importa dati

Esperimenti di esempio

Per esempi su come connettersi a origini dati diverse, vedere questi esperimenti in Cortana Intelligence Gallery:

• Dati di input da diverse origini: questo lab fornisce una guida visiva all'uso di molte delle origini dati di Azure ML: esperimenti e interazione dei dati di AzureML

• Database di Azure Cosmos: lettura dei dati da Azure Cosmos DB in Machine Learning

• Importare dati non leggibili usando Python: Caricare file non di testo da Archiviazione BLOB di Azure

Messaggi di eccezione
The Azure storage account name or container name is incorrect. (Il nome dell'account o del contenitore di archiviazione di Azure non è corretto.)
Il nome dell'account di archiviazione di Azure "{0}" o il nome del contenitore "{1}" non è corretto. È previsto un nome contenitore/BLOB di formato.

Errore 0010

L'eccezione si verifica se i nomi di colonna nei set di dati di input non corrispondono, mentre dovrebbero essere corrispondenti.

Questo errore verrà visualizzato in Machine Learning se l'indice di colonna nel messaggio contiene nomi di colonna diversi nei due set di dati di input.

Risoluzione: Usare Modifica metadati o modificare il set di dati originale in modo da avere lo stesso nome di colonna per l'indice di colonna specificato.

Messaggi di eccezione
Columns with corresponding index in input datasets have different names. (Le colonne con indice corrispondente nei set di dati di input hanno nomi diversi.)
I nomi delle colonne non sono uguali per la colonna {0} (in base zero) dei set di dati di input ({1} e {2} rispettivamente).

Errore 0011

L'eccezione si verifica se l'argomento passato per il set di colonne non è applicabile ad alcuna colonna del set di dati.

Questo errore verrà visualizzato in Machine Learning se la selezione della colonna specificata non corrisponde ad alcuna delle colonne nel set di dati specificato.

È possibile ottenere questo errore anche se non è stata selezionata una colonna ed è necessaria almeno una colonna affinché il modulo funzioni.

Risoluzione: Modificare la selezione delle colonne nel modulo in modo che venga applicata alle colonne nel set di dati.

Se per il modulo è necessario selezionare una colonna specifica, ad esempio una colonna etichetta, verificare che sia selezionata la colonna corretta.

Se sono selezionate colonne non appropriate, rimuoverle ed eseguire di nuovo l'esperimento.

Messaggi di eccezione
Specified column set does not apply to any of dataset columns. (Il set di colonne specificato non è applicabile ad alcuna colonna del set di dati.)
Il set di colonne specificato "{0}" non si applica ad alcuna colonna del set di dati.

Errore 0012

L'eccezione si verifica se l'istanza della classe non può essere creata con il set di argomenti passato.

Risoluzione: L'utente non può intervenire e l'errore verrà deprecato in una versione futura.

Messaggi di eccezione
Prima di tutto, eseguire il training del modello non sottoposto a training.
Modello non sottoposto a training ({0}), usare il modello sottoposto a training.

Errore 0013

L'eccezione si verifica se il tipo di apprendimento passato al modulo non è valido.

Questo errore si verifica ogni volta che un modello con training non è compatibile con il modulo di punteggio connesso. Ad esempio, la connessione dell'output di Train Matchbox Recommender a Score Model (anziché Score Matchbox Recommender) genererà questo errore quando viene eseguito l'esperimento.

Risoluzione:

Determinare il tipo di apprendimento prodotto dal modulo di training e il modulo di punteggio adatto all'apprendimento.

Se è stato eseguito il training del modello usando uno dei moduli di training specializzati, connettere il modello con training solo al modulo di punteggio specializzato corrispondente.

Tipo di modello	Modulo di training	Modulo di punteggio
un classificatore qualsiasi	Eseguire il training di modelli o ottimizzare gli iperparametri del modello	Score Model (Punteggio modello)
un modello di regressione qualsiasi	Eseguire il training di modelli o ottimizzare gli iperparametri del modello	Score Model (Punteggio modello)
modelli di clustering	Eseguire il training del modello di clustering o del clustering sweep	Assign Data to Clusters (Assegna dati ai cluster)
rilevamento anomalie - One-Class SVM	Train Anomaly Detection Model (Training modello di rilevamento anomalie)	Score Model (Punteggio modello)
rilevamento anomalie - PCA	Eseguire il training di modelli o ottimizzare gli iperparametri del modello	Assegnare un punteggio al modello Per valutare il modello sono necessari alcuni passaggi aggiuntivi.
rilevamento anomalie - Serie temporali	Rilevamento delle anomalie delle serie temporali	Il modello esegue il training dai dati e genera punteggi. Il modulo non crea un learner sottoposto a training e non è necessario alcun punteggio aggiuntivo.
modello di raccomandazione	Train Matchbox Recommender	Score Matchbox Recommender
classificazione delle immagini	Pretrained Cascade Image Classification	Score Model (Punteggio modello)
Modelli Di Vowpal Wabbit	Eseguire il training del modello Wabbit di Vowpal versione 7-4	Score Vowpal Wabbit versione 7-4 Modello
Modelli Di Wabbit di Vowpal	Eseguire il training del modello Wabbit di Vowpal versione 7-10	Score Vowpal Wabbit versione 7-10
Modelli Di Wabbit di Vowpal	Eseguire il training del modello Wabbit versione 8 di Vowpal	Score Vowpal Wabbit versione 8 Model

Messaggi di eccezione
Learner of invalid type is passed. (È stato passato un tipo di apprendimento non valido.)
Learner "{0}" non è valido.

Errore 0014

L'eccezione si verifica se il numero di valori univoci di colonna è superiore a quella consentita.

Questo errore si verifica quando una colonna contiene troppi valori univoci. Ad esempio, è possibile visualizzare questo errore se si specifica che una colonna deve essere gestita come dati di categoria, ma nella colonna sono presenti troppi valori univoci per consentire il completamento dell'elaborazione. Questo errore può essere visualizzato anche in caso di mancata corrispondenza tra il numero di valori univoci in due input.

Risoluzione:

Aprire il modulo che ha generato l'errore e identificare le colonne usate come input. Per alcuni moduli, è possibile fare clic con il pulsante destro del mouse sull'input del set di dati e selezionare Visualizza per vedere le statistiche sulle singole colonne, insieme al numero di valori univoci e alla loro distribuzione.

Per le colonne che si desidera usare per il raggruppamento o la categorizzazione, adottare le misure necessarie per ridurre il numero di valori univoci nelle colonne. È possibile ridurlo in modi diversi, a seconda del tipo di dati della colonna.

• Per i dati di testo, potrebbe essere possibile usare Testo pre-elaborazione per comprimere voci simili.
• Per i dati numerici, è possibile creare un numero minore di contenitori usando i dati di gruppo in bin, rimuovere o troncare i valori usando Valori clip oppure usare metodi di Machine Learning, ad esempio Analisi componente principale o Learning con Conteggi per ridurre la dimensione dei dati.

Messaggi di eccezione
Il numero di valori univoci della colonna è maggiore del consentito.
Numero di valori univoci nella colonna: "{0}" supera il numero di tuple di {1}.

Errore 0015

L'eccezione si verifica se la connessione al database non è riuscita.

Questo errore viene visualizzato se si immette un nome, una password, un server di database o un nome di database dell'account SQL errato oppure se non è possibile stabilire una connessione con il database a causa di problemi con il database o con il server.

Risoluzione: Verificare che il nome dell'account, la password, il server di database e il database siano stati immessi correttamente e che l'account specificato disponga del livello di autorizzazioni corretto. Verificare che il database sia attualmente accessibile.

Messaggi di eccezione
Error making database connection. (Errore durante la connessione al database.)
Errore durante la connessione al database: {0}.

Errore 0016

L'eccezione si verifica se i tipi di colonna dei set di dati di input passati al modulo dovrebbero essere compatibili ma non lo sono.

Questo errore verrà visualizzato in Machine Learning se i tipi delle colonne passate in due o più set di dati non sono compatibili tra loro.

Risoluzione: Usare Modifica metadati, modificare il set di dati di input originale o usare Convert to Dataset per assicurarsi che i tipi delle colonne siano compatibili.

Messaggi di eccezione
Columns with corresponding index in input datasets do have incompatible types. (Le colonne con indice corrispondente nei set di dati di input hanno tipi incompatibili.)
Colonne {0} e {1} non compatibili.
I tipi di elementi di colonna non sono compatibili per la colonna {0} (in base zero) di set di dati di input ({1} e {2} rispettivamente).

Errore 0017

L'eccezione si verifica se una colonna selezionata usa un tipo di dati che non supportato dal modulo corrente.

Ad esempio, potrebbe essere visualizzato questo errore in Machine Learning se la selezione di colonne include una colonna con un tipo di dati che non può essere elaborato dal modulo, ad esempio una colonna stringa per un'operazione matematica o una colonna di punteggio in cui è necessaria una colonna di funzionalità categorica.

Risoluzione:

1. Identificare la colonna che genera il problema.
2. Esaminare i requisiti del modulo.
3. Modificare la colonna per renderla conforme ai requisiti. Potrebbe essere necessario usare diversi moduli tra quelli seguenti per apportare modifiche, a seconda della colonna e della conversione che si sta tentando di eseguire:
   • Usare Modifica metadati per modificare il tipo di dati delle colonne o per modificare l'utilizzo delle colonne da funzionalità a numerica, da categoria a non di categoria e così via.
   • Usare Convert to Dataset per assicurarsi che tutte le colonne incluse usino tipi di dati supportati da Machine Learning. Se non è possibile convertire le colonne, è consigliabile rimuoverle dal set di dati di input.
   • Usare i moduli Applica SQL trasformazione o Esegui script R per eseguire il cast o convertire le colonne che non possono essere modificate usando Modifica metadati. Questi moduli offrono maggiore flessibilità per l'uso dei tipi di dati datetime.
   • Per i tipi di dati numerici, è possibile usare il modulo Applica operazione matematica per arrotondare o troncare i valori oppure usare il modulo Valori clip per rimuovere i valori di intervallo.
4. Come ultima risorsa, potrebbe essere necessario modificare il set di dati di input originale.

Messaggi di eccezione
Cannot process column of current type. The type is not supported by the module. (Non è possibile elaborare la colonna del tipo corrente. Il tipo non è supportato dal modulo.)
Impossibile elaborare la colonna di tipo {0}. The type is not supported by the module.
Impossibile elaborare la colonna "{1}" di tipo {0}. The type is not supported by the module.
Impossibile elaborare la colonna "{1}" di tipo {0}. The type is not supported by the module. Nome parametro: {2}

Errore 0018

L'eccezione si verifica se il set di dati di input non è valido.

Risoluzione: Questo errore in Machine Learning può essere visualizzato in molti contesti, quindi non esiste una singola risoluzione. In generale, l'errore indica che i dati inseriti come input per un modulo hanno un numero di colonne errato oppure che il tipo di dati non corrisponde ai requisiti del modulo. Ad esempio:

• Il modulo richiede una colonna per le etichette, ma nessuna colonna è contrassegnata come tale oppure non è ancora stata selezionata una colonna per le etichette.

• È necessario che i dati siano di categoria, ma sono numerici.

• Il modulo richiede un tipo di dati specifico. Ad esempio, le classificazioni fornite a Train Matchbox Recommender possono essere numeri numerici o categorici, ma non possono essere numeri a virgola mobile.

• Il formato dei dati non è corretto.

• I dati importati contengono caratteri non validi, valori non validi o valori non compresi nell'intervallo.

• La colonna è vuota oppure troppi valori sono mancanti.

Per determinare i requisiti e la modalità di utilizzo dei dati, vedere l'argomento della Guida per il modulo che userà il set di dati come input.

È anche consigliabile usare Riepiloga dati o statistiche elementari di calcolo per profilare i dati e usare questi moduli per correggere i metadati e i valori puliti: Modificare i metadati, pulire i dati mancanti, i valori clip.

Messaggi di eccezione
Dataset is not valid. (Il set di dati non è valido.)
{0} contiene dati non validi.
{0} e {1} deve essere coerente a livello di colonna.

Errore 0019

L'eccezione si verifica se è previsto che la colonna contenga valori ordinati, ma tali valori non sono presenti.

Questo errore verrà visualizzato in Machine Learning se i valori di colonna specificati non sono in ordine.

Risoluzione: Ordinare i valori della colonna modificando manualmente il set di dati di input e rieseguire il modulo.

Messaggi di eccezione
Values in column are not sorted. (I valori della colonna non sono ordinati.)
I valori nella colonna "{0}" non vengono ordinati.
I valori nella colonna "" del set di dati "{0}{1}" non vengono ordinati.

Errore 0020

L'eccezione si verifica se il numero di colonne in alcuni set di dati passati al modulo è troppo piccolo.

Questo errore verrà visualizzato in Machine Learning se non sono state selezionate colonne sufficienti per un modulo.

Risoluzione: Rivedere il modulo e assicurarsi che il selettore di colonne abbia selezionato il numero corretto di colonne.

Messaggi di eccezione
Number of columns in input dataset is less than allowed minimum. (Il numero di colonne nel set di dati di input è inferiore al minimo consentito.)
Il numero di colonne nel set di dati di input è minore del minimo consentito di {0} colonne.
Il numero di colonne nel set di dati di input "{0}" è minore del minimo consentito di {1} colonne.

Errore 0021

L'eccezione si verifica se il numero di righe in alcuni set di dati passati al modulo è troppo piccolo.

Questo errore in Machine Learning quando non sono presenti righe sufficienti nel set di dati per eseguire l'operazione specificata. Ad esempio, è possibile che venga visualizzato se il set di dati di input è vuoto o se si sta tentando di eseguire un'operazione che richiede un numero minimo di righe per essere valida. Tali operazioni possono includere, ma non solo, il raggruppamento o la classificazione in base a metodi statistici, determinati tipi di binning e apprendimento con conteggi.

Risoluzione:

• Aprire il modulo che ha restituito l'errore e controllare le proprietà del modulo e del set di dati di input.
• Verificare che il set di dati di input non sia vuoto e che ci siano righe di dati sufficienti per soddisfare i requisiti descritti nella guida del modulo.
• Se i dati vengono caricati da un'origine esterna, assicurarsi che l'origine dati sia disponibile e che non siano presenti errori o modifiche nella definizione dei dati che potrebbero generare un minor numero di righe per il processo di importazione.
• Se si sta eseguendo un'operazione sull'upstream dei dati del modulo che potrebbero influire sul tipo di dati o sul numero di valori, ad esempio un'operazione di pulizia, suddivisione o join, controllare gli output di tali operazioni per determinare il numero di righe restituite.

Errore 0022

L'eccezione si verifica se il numero di colonne selezionate nel set di dati di input non corrisponde al numero previsto.

Questo errore in Machine Learning può verificarsi quando il modulo o l'operazione downstream richiede un numero specifico di colonne o input e sono state fornite troppo poche o troppe colonne o input. Ad esempio:

• È possibile specificare una singola colonna etichetta o colonna chiave e selezionare accidentalmente più colonne.

• Si stanno rinominando le colonne, ma sono stati specificati troppi o pochi nomi rispetto alle colonne.

• Il numero di colonne nell'origine o nella destinazione è stato modificato o non corrisponde al numero di colonne usate dal modulo.

• È stato inserito un elenco delimitato da virgole di valori per gli input, ma il numero di valori non corrisponde oppure gli input multipli non sono supportati.

Risoluzione: Rivedere il modulo e controllare la selezione delle colonne per assicurarsi che sia selezionato il numero corretto di colonne. Verificare gli output dei moduli di upstream e i requisiti delle operazioni di downstream.

Se è stata usata una delle opzioni di selezione delle colonne che può selezionare più colonne (indici di colonne, tutte funzionalità, tutte numeriche e così via), verificare il numero esatto di colonne restituite dalla selezione.

Se si sta tentando di specificare un elenco delimitato da virgole di set di dati come input per Decomprimere set di dati compressi, decomprimere un solo set di dati alla volta. Più input non sono supportati.

Verificare che il numero o il tipo di colonne di upstream non sia cambiato.

Se si usa un set di dati suggerito per eseguire il training di un modello, ricordare che la funzione di suggerimento prevede un numero limitato di colonne, corrispondente alle coppie utente-elemento o alla classificazione utente-elemento. Rimuovere le colonne aggiuntive prima di eseguire il training del modello o suddividere i set di dati suggeriti. Per altre informazioni, vedere Dividere dati.

Messaggi di eccezione
Number of selected columns in input dataset does not equal to the expected number. (Il numero di colonne selezionate nel set di dati di input non corrisponde al numero previsto.)
Il numero di colonne selezionate nel set di dati di input non è uguale a {0}.
Il modello di selezione delle colonne "{0}" fornisce il numero di colonne selezionate nel set di dati di input non uguale a {1}.
È previsto che il modello{0} di selezione delle colonne "" fornisca {1} colonne selezionate nel set di dati di input, ma {2} le colonne sono/vengono fornite.

Errore 0023

L'eccezione si verifica se la colonna di destinazione del set di dati di input non è valida per il modulo di training corrente.

Questo errore in Machine Learning si verifica se la colonna di destinazione (come selezionato nei parametri del modulo) non è del tipo di dati valido, contiene tutti i valori mancanti o non è stato categorico come previsto.

Risoluzione: Rivedere l'input del modulo per esaminare il contenuto della colonna etichetta/destinazione. Verificare che i valori non siano mancanti. Se il modulo prevede che la colonna di destinazione sia di categoria, assicurarsi che siano presenti più valori distinct nella colonna di destinazione.

Messaggi di eccezione
Input dataset has unsupported target column. (Il set di dati di input dispone di una colonna di destinazione non supportata.)
Il set di dati di input non è supportato nella colonna di destinazione "{0}".
Il set di dati di input non è supportato per la colonna di destinazione "{0}" per il learner di tipo {1}.

Errore 0024

L'eccezione si verifica se il set di dati non contiene una colonna etichetta.

Questo errore in Machine Learning si verifica quando il modulo richiede una colonna etichetta e il set di dati non ha una colonna di etichetta. Per la valutazione di un set di dati con punteggio, ad esempio, è in genere necessaria una colonna etichetta per calcolare le metriche di accuratezza.

Può verificarsi anche che una colonna di etichetta sia presente nel set di dati, ma non rilevata correttamente da Machine Learning.

Risoluzione:

• Aprire il modulo che ha generato l'errore e verificare la presenza di una colonna etichetta. Il nome o il tipo di dati della colonna non è rilevante, purché la colonna contenga un solo risultato (o una variabile dipendente) che si sta tentando di stimare. Se non si è certi della colonna con l'etichetta, cercare un nome generico, ad esempio Classe o Destinazione.
• Se il set di dati non include una colonna etichetta, è possibile che tale colonna sia stata rimossa upstream in modo esplicito o accidentale. È anche possibile che il set di dati non sia l'output di un modulo di punteggio upstream.
• Per contrassegnare in modo esplicito la colonna come colonna etichetta, aggiungere il modulo Modifica metadati e connettere il set di dati. Selezionare solo la colonna etichetta e selezionare Etichetta dall'elenco a discesa Campi.
• Se si sceglie la colonna sbagliata come etichetta, è possibile selezionare Cancella etichetta in Campi per correggere i metadati nella colonna.

Messaggi di eccezione
There is no label column in dataset. (Nel set di dati non c'è una colonna etichetta.)
Non esiste alcuna colonna di etichetta in "{0}".

Errore 0025

L'eccezione si verifica se il set di dati non contiene una colonna punteggio.

Questo errore in Machine Learning si verifica se l'input del modello di valutazione non contiene colonne di punteggio valide. Ad esempio, l'utente tenta di valutare un set di dati prima di assegnare un punteggio con un modello con training corretto oppure la colonna punteggio è stata eliminata upstream in modo esplicito. Questa eccezione si verifica anche se le colonne punteggio nei due set di dati non sono compatibili. Ad esempio, è possibile provare a confrontare l'accuratezza di un regressor lineare con quello di un classificatore binario.

Risoluzione: Rivedere l'input per il modello di valutazione e verificare se contiene una o più colonne punteggio. Se non le contiene, al set di dati non è stato assegnato il punteggio oppure le colonne punteggio sono state eliminate in un modulo upstream.

Messaggi di eccezione
There is no score column in dataset. (Non sono presenti colonne punteggio nel set di dati.)
Non esiste alcuna colonna di punteggio in "{0}".
Non esiste alcuna colonna di punteggio in "{0}" prodotta da un "{1}". Score the dataset using the correct type of learner. (Non sono presenti colonne punteggio in "{dataset_name}" prodotte da "{learner_type}". Assegnare un punteggio al set di dati usando il tipo di apprendimento corretto.)

Errore 0026

L'eccezione si verifica se non sono consentite colonne con lo stesso nome.

Questo errore in Machine Learning si verifica se più colonne hanno lo stesso nome. Un motivo per cui si riceve questo errore è se il set di dati non ha una riga di intestazione e i nomi della colonna vengono assegnati in modo automatico: Col0, Col1 e così via.

Risoluzione: Se le colonne hanno lo stesso nome, inserire un modulo Modifica metadati tra il set di dati di input e il modulo. Usare il selettore di colonne in Modifica metadati per selezionare le colonne da rinominare, digitando i nuovi nomi nella casella di testo New column names (Nuovi nomi di colonna).

Messaggi di eccezione
Equal column names are specified in arguments. Equal column names are not allowed by module. (I nomi di colonna uguali sono specificati negli argomenti. I nomi di colonna uguali non sono consentiti dal modulo.)
I nomi di colonna uguali negli argomenti "" e "{0}{1}" non sono consentiti. Specificare nomi diversi.

Errore 0027

L'eccezione si verifica quando due oggetti devono avere le stesse dimensioni ma non le hanno.

Si tratta di un errore comune in Machine Learning e può essere causato da molte condizioni.

Risoluzione: Non esiste una risoluzione specifica. È tuttavia possibile verificare le condizioni, ad esempio quanto segue:

• Se si rinominano le colonne, assicurarsi che ogni elenco (le colonne di input e l'elenco dei nuovi nomi) abbia lo stesso numero di elementi.

• Se si crea un join o si concatenano due set di dati, assicurarsi che abbiano lo stesso schema.

• Se si crea un join di due set di dati che hanno più colonne, verificare che le colonne chiave abbiano lo stesso tipo di dati e selezionare l'opzione Consenti duplicati e mantieni l'ordine delle colonne nella selezione.

Messaggi di eccezione
The size of passed objects is inconsistent. (Le dimensioni degli oggetti passati non sono coerenti.)
Le dimensioni di "{0}" non sono coerenti con le dimensioni di "{1}".

Errore 0028

L'eccezione si verifica nel caso in cui il set di colonne contenga nomi di colonna duplicati e questo non è consentito.

Questo errore si verifica in Machine Learning quando i nomi delle colonne vengono duplicati, ovvero non univoci.

Risoluzione: Se alcune colonne hanno lo stesso nome, aggiungere un'istanza di Modifica metadati tra il set di dati di input e il modulo che genera l'errore. Usare il selettore di colonne in Modifica metadati per selezionare le colonne da rinominare, quindi digitare i nomi delle nuove colonne nella casella di testo New column names (Nuovi nomi di colonna). Se si rinominano più colonne, verificare che i valori digitati in New column names (Nuovi nomi di colonna) siano univoci.

Messaggi di eccezione
Column set contains duplicated column name(s). (Il set di colonne contiene nomi di colonna duplicati.)
Il nome "{0}" è duplicato.
Il nome "{0}" viene duplicato in "{1}".

Errore 0029

L'eccezione si verifica quando viene passato un URI non valido.

Questo errore in Machine Learning si verifica nel caso in cui venga passato un URI non valido. Questo errore verrà visualizzato se una delle condizioni seguenti è true: o .

• L'URI pubblico o SAS specificato in Archiviazione BLOB di Azure per la lettura o la scrittura contiene un errore.

• L'intervallo di tempo per la firma di accesso condiviso è scaduto.

• L'URL Web tramite l'origine HTTP rappresenta un file o un URI di loopback.

• L'URL Web tramite HTTP contiene un URL formattato in modo errato.

• L'URL non può essere risolto dall'origine remota.

Risoluzione: Rivedere il modulo e verificare il formato dell'URI. Se l'origine dati è un URL Web tramite HTTP, verificare che l'origine desiderata non sia un file o un URI di loopback (localhost).

Messaggi di eccezione
Invalid Uri is passed. (Viene passato un URI non valido.)

Errore 0030

L'eccezione si verifica se non è possibile scaricare un file.

Questa eccezione in Machine Learning si verifica quando non è possibile scaricare un file. Questa eccezione viene generata quando la lettura di un'origine HTTP ha esito negativo dopo tre 3 tentativi.

Risoluzione: Verificare che l'URI dell'origine HTTP sia corretto e che il sito sia attualmente accessibile tramite Internet.

Messaggi di eccezione
Unable to download a file. (Non è possibile scaricare un file.)
Errore durante il download del file: {0}.

Errore 0031

L'eccezione si verifica se il numero di colonne nel set di colonne è inferiore al necessario.

Questo errore si verifica in Machine Learning se il numero di colonne selezionate è minore del necessario. Questo errore viene visualizzato se non viene selezionato il numero minimo necessario di colonne.

Risoluzione: Aggiungere altre colonne alla selezione di colonne usando il selettore di colonne.

Messaggi di eccezione
Number of columns in column set is less than required. (Il numero di colonne nel set di colonne è inferiore a quello richiesto.)
{0} è necessario specificare le colonne. Il numero effettivo delle colonne specificate è {1}.

Errore 0032

L'eccezione si verifica se l'argomento non è un numero.

Questo errore verrà visualizzato in Machine Learning se l'argomento è un valore Double o NaN.

Risoluzione: Modificare l'argomento specificato affinché usi un valore valido.

Messaggi di eccezione
Argument is not a number. (L'argomento non è un numero.)
"{0}" non è un numero.

Errore 0033

L'eccezione si verifica se l'argomento è Infinity.

Questo errore si verifica in Machine Learning se l'argomento è infinito. Questo errore viene visualizzato se l'argomento è double.NegativeInfinity o double.PositiveInfinity.

Risoluzione: Modificare l'argomento specificato affinché abbia un valore valido.

Messaggi di eccezione
Argument is must be finite.
"{0}" non è finito.

Errore 0034

L'eccezione si verifica se esiste più di una classificazione per una determinata coppia utente-elemento.

Questo errore in Machine Learning si verifica nella raccomandazione se una coppia di elementi utente ha più di un valore di valutazione.

Risoluzione: Verificare che la coppia utente-elemento abbia un solo valore di classificazione.

Messaggi di eccezione
More than one rating exists for the value(s) in dataset. (Per i valori nel set di dati esistono più classificazioni.)
Più di una classificazione per l'utente e l'elemento {0}{1} nella tabella dei dati di stima della classificazione.

Errore 0035

L'eccezione si verifica se non sono state specificate funzioni per un determinato utente o elemento.

Questo errore si verifica in Machine Learning si sta tentando di usare un modello di raccomandazione per l'assegnazione dei punteggi, ma non è possibile trovare un vettore di funzionalità.

Risoluzione:

Quando si usano le funzionalità degli elementi o dell'utente, è necessario che la funzione di suggerimento Matchbox soddisfi determinati requisiti. Questo errore indica che manca un vettore della funzionalità per un utente o un elemento inserito come input. È necessario assicurarsi che nei dati sia disponibile un vettore di funzionalità per ogni utente o elemento.

Se, ad esempio, è stato eseguito il training di un modello di suggerimento usando funzionalità quali l'età, la posizione o il reddito dell'utente, ma ora si desidera creare i punteggi per i nuovi utenti che non sono stati visualizzati durante il training, è necessario specificare un set di funzionalità equivalente, ovvero valori di età, posizione e reddito, per i nuovi utenti allo scopo di fare stime appropriate.

Se non si dispone delle funzionalità per questi utenti, provare a usare l'ingegneria delle funzionalità per generare funzionalità appropriate. Se, ad esempio, non sono presenti singoli valori di età o reddito dell'utente, è possibile generare valori approssimativi da usare per un gruppo di utenti.

Quando si effettua l'assegnazione dei punteggi da una modalità di raccomandazione, è possibile usare le funzionalità dell'elemento o dell'utente solo se sono state usate in precedenza elementi o funzionalità utente durante il training. Per altre informazioni, vedere Score Matchbox Recommender.For more information, see Score Matchbox Recommender.

Per informazioni generali sul funzionamento dell'algoritmo di raccomandazione Matchbox e su come preparare un set di dati di funzionalità degli elementi o delle funzionalità utente, vedere Train Matchbox Recommender( Eseguire il training di matchbox Recommender).

Messaggi di eccezione
No features were provided for a required user or item. (Nessuna funzione specificata per un utente o un elemento richiesto.)
Funzionalità necessarie {0} ma non fornite.

Errore 0036

L'eccezione si verifica se sono stati specificati più vettori della funzionalità per un determinato utente o elemento.

Questo errore si verifica in Machine Learning se un vettore di funzionalità viene definito più volte.

Risoluzione: Verificare che il vettore della funzionalità non venga definito più di una volta.

Messaggi di eccezione
Duplicate feature definition for a user or item. (Definizione di funzione duplicata per un utente o un elemento.)
Definizione di funzionalità duplicata per {0}.

Errore 0037

L'eccezione si verifica se sono specificate più colonne etichetta e ne è consentita una sola.

Questo errore si verifica in Machine Learning se sono selezionate più colonne come nuova colonna etichetta. Per la maggior parte degli algoritmi di apprendimento con supervisione è necessario contrassegnare una sola colonna come destinazione o etichetta.

Risoluzione: Assicurarsi di selezionare una sola colonna come nuova colonna etichetta.

Messaggi di eccezione
Multiple label columns are specified. (Sono state specificate più colonne etichetta.)

Errore 0038

Si verifica un'eccezione se il numero di elementi previsti deve essere un valore esatto ma non lo è.

Questo errore in Machine Learning si verifica se il numero di elementi previsti deve essere un valore esatto, ma non è. Questo errore verrà visualizzato se il numero di elementi non è uguale al valore previsto valido.

Risoluzione: Modificare l'input per avere il numero corretto di elementi.

Messaggi di eccezione
Number of elements is not valid.
Il numero di elementi in "{0}" non è valido.
Il numero di elementi in "{0}" non è uguale al numero valido di {1} elementi.

Errore 0039

L'eccezione si verifica se l'operazione non è riuscita.

Questo errore in Machine Learning si verifica quando non è possibile completare un'operazione interna.

Risoluzione: Questo errore è causato da diverse condizioni e non esiste un rimedio specifico.
La tabella seguente contiene messaggi generici per questo errore, seguiti da una descrizione specifica della condizione.

Se non sono disponibili dettagli, inviare commenti e suggerimenti e fornire informazioni sui moduli che hanno generato l'errore e le condizioni correlate.

Messaggi di eccezione
Operazione non riuscita.
Errore durante il completamento dell'operazione: {0}.

Errore 0040

Si verifica un'eccezione quando si richiama un modulo deprecato.

Questo errore in Machine Learning viene generato quando si chiama un modulo deprecato.

Risoluzione: Sostituire il modulo deprecato con uno supportato. Per informazioni su quale modulo usare, vedere il log di output del modulo.

Messaggi di eccezione
Accessing deprecated module.
Il modulo "{0}" è deprecato. Usare invece il modulo "{1}".

Errore 0041

Si verifica un'eccezione quando si richiama un modulo deprecato.

Questo errore in Machine Learning viene generato quando si chiama un modulo deprecato.

Risoluzione: Sostituire il modulo deprecato con un set di quelli supportati. Queste informazioni devono essere visibili nel log di output del modulo.

Messaggi di eccezione
Accessing deprecated module.
Il modulo "{0}" è deprecato. Usare i moduli "{1}" per la funzionalità richiesta.

Errore 0042

L'eccezione si verifica quando non è possibile convertire la colonna in un altro tipo.

Questo errore in Machine Learning si verifica quando non è possibile convertire la colonna nel tipo specificato. Questo errore viene visualizzato se un modulo richiede un tipo di dati specifico, ad esempio datetime, testo, un numero a virgola mobile o un numero intero, ma non è possibile convertire una colonna esistente nel tipo richiesto.

Ad esempio, è possibile selezionare una colonna e provare a convertirla in un tipo di dati numerico da usare in un'operazione matematica: questo errore viene generato se la colonna contiene dati non validi.

Un altro motivo per cui si ottiene questo errore è se si tenta di usare una colonna contenente numeri a virgola mobile o molti valori univoci come colonna di categoria.

Risoluzione:

• Aprire la pagina della Guida per il modulo che ha generato l'errore e verificare i requisiti del tipo di dati.
• Esaminare i tipi di dati delle colonne nel set di dati di input.
• Analizzare i dati provenienti dalle così dette origini dati senza schema.
• Nel set di dati verificare i valori mancanti o la presenza di caratteri speciali che potrebbero bloccare la conversione al tipo di dati desiderato.
  • I tipi di dati numerici devono essere coerenti: ad esempio, verificare la presenza di numeri a virgola mobile in una colonna di numeri interi.
  • Cercare stringhe di testo o valori NA in una colonna numerica.
  • I valori booleani possono essere convertiti in una rappresentazione adeguata a seconda del tipo di dati richiesto.
  • Esaminare le colonne di testo per individuare caratteri non Unicode, caratteri di tabulazione o i caratteri di controllo
  • I dati datetime devono essere coerenti per evitare errori di modellazione, ma la pulizia può essere complessa a causa dei diversi formati. È consigliabile usare i moduli Esegui script R o Esegui script Python per eseguire la pulizia.
• Se necessario, modificare i valori nel set di dati di input in modo che la colonna possa essere correttamente convertita. La modifica può includere operazioni di binning, troncamento o arrotondamento, eliminazione di outlier o individuazione di valori mancanti. Vedere gli articoli seguenti per scenari comuni di trasformazione dei dati in Machine Learning:
  • Clip Values (Ritaglia valori)
  • Clean Missing Data (Pulisci dati mancanti)
  • Normalize Data (Normalizza dati)
  • Raggruppare i dati in contenitori

Messaggi di eccezione
Not allowed conversion. (Conversione non consentita.)
Impossibile convertire la colonna di tipo in colonna di tipo {0}{1}.
Impossibile convertire la colonna "{2}" di tipo {0} in colonna di tipo {1}.
Impossibile convertire la colonna "" di tipo {0} in colonna "{3}{2}" di tipo {1}.

Errore 0043

Si verifica un'eccezione quando il tipo di elemento non implementa Equals in modo esplicito.

Questo errore in Machine Learning è inutilizzato e verrà deprecato.

Risoluzione: No.

Messaggi di eccezione
No accessible explicit method Equals found.
Impossibile confrontare i valori per la colonna \"{0}\" di tipo {1}. No accessible explicit method Equals found.

Errore 0044

L'eccezione si verifica quando non è possibile ricavare il tipo di elemento della colonna dai valori esistenti.

Questo errore in Machine Learning si verifica quando non è possibile dedurre il tipo di una colonna o di colonne in un set di dati. Questo problema si verifica in genere durante la concatenazione di due o più set di dati con tipi di elementi diversi. Se Machine Learning non è in grado di determinare un tipo comune in grado di rappresentare tutti i valori in una colonna o colonne senza perdita di informazioni, genererà questo errore.

Risoluzione: Assicurarsi che tutti i valori di una determinata colonna in entrambi i set di dati combinati siano dello stesso tipo (valori numerici, booleani, di categoria, stringhe, date e così via) o possano essere assegnati forzatamente allo stesso tipo.

Messaggi di eccezione
Cannot derive element type of the column. (Non è possibile ricavare il tipo di elemento della colonna.)
Impossibile derivare il tipo di elemento per la colonna "{0}" - tutti gli elementi sono riferimenti Null.
Impossibile derivare il tipo di elemento per la colonna "" del set di dati "{0}{1}". Tutti gli elementi sono riferimenti Null.

Errore 0045

L'eccezione si verifica quando non è possibile creare una colonna a causa di tipi di elemento misti nell'origine.

Questo errore in Machine Learning viene generato quando i tipi di elemento di due set di dati combinati sono diversi.

Risoluzione: Assicurarsi che tutti i valori di una determinata colonna in entrambi i set di dati combinati siano dello stesso tipo (valori numerici, booleani, di categoria, stringhe, date e così via).

Messaggi di eccezione
Cannot create column with mixed element types. (Non è possibile creare una colonna con tipi di elemento misti.)
Impossibile creare una colonna con ID "{0}" di tipi di elementi misti:\n\tType di dati[, ] è\n\tType di dati[{3}{1}, {0}{0}] è {2}{4}.

Errore 0046

L'eccezione si verifica quando non è possibile creare la directory nel percorso specificato.

Questo errore in Machine Learning si verifica quando non è possibile creare una directory nel percorso specificato. Questo errore viene visualizzato se una parte del percorso della directory di output per una query Hive non è corretta o è inaccessibile.

Risoluzione: Rivedere il modulo e verificare che il percorso della directory sia formattato in modo corretto e che sia accessibile con le credenziali correnti.

Messaggi di eccezione
Specificare una directory di output valida.
Directory: {0} non può essere creata. Specificare il percorso valido.

Errore 0047

L'eccezione si verifica se il numero di colonne funzionalità in alcuni set di dati passati al modulo è troppo piccolo.

Questo errore si verifica in Machine Learning se il set di dati di input per il training non contiene il numero minimo di colonne richieste dall'algoritmo. In genere il set di dati è vuoto oppure contiene solo colonne di training.

Risoluzione: Rivedere il set di dati di input per assicurarsi che una o più colonne aggiuntive siano separate dalla colonna etichetta.

Messaggi di eccezione
Number of feature columns in input dataset is less than allowed minimum. (Il numero di colonne funzionalità nel set di dati di input è inferiore al minimo consentito.)
Il numero di colonne delle funzionalità nel set di dati di input è inferiore al minimo consentito per {0} le colonne.
Il numero di colonne di funzionalità nel set di dati di input "{0}" è minore del minimo consentito per {1} le colonne.

Errore 0048

L'eccezione si verifica se non è possibile aprire un file.

Questo errore si verifica in Machine Learning quando non è possibile aprire un file per la lettura o la scrittura. Questo errore potrebbe essere visualizzato per i motivi seguenti:

• Il contenitore o il file (BLOB) non esiste

• Il livello di accesso del file o del contenitore non consente di accedere al file

• Il file è troppo grande per essere letto oppure il formato non è corretto

Risoluzione: Rivedere il modulo e il file che si sta tentando di leggere.

Verificare che i nomi del contenitore e del file siano corretti.

Usare il portale di Azure classico o uno strumento di Archiviazione di Azure per verificare di avere le autorizzazioni per accedere al file.

Se si sta tentando di leggere un file di immagine, assicurarsi che soddisfi i requisiti per i file di immagine in termini di dimensioni, numero di pixel e così via. Per altre informazioni, vedere Importare immagini.

Messaggi di eccezione
Impossibile aprire un file.
Errore durante l'apertura del file: {0}.

Errore 0049

L'eccezione si verifica se non è possibile analizzare un file.

Questo errore si verifica in Machine Learning quando non è possibile analizzare un file. Questo errore viene visualizzato se il formato di file selezionato nel modulo Importazione dei dati non corrisponde al formato effettivo del file oppure se il file contiene un carattere non riconoscibile.

Risoluzione: Rivedere il modulo e correggere la selezione del formato del file se non corrisponde al formato del file. Se possibile, controllare il file per verificare che non contenga caratteri non validi.

Messaggi di eccezione
Unable to parse a file. (Impossibile analizzare un file.)
Errore durante l'analisi del file: {0}.

Errore 0050

Si verifica un'eccezione se i file di input e di output sono uguali.

Risoluzione: Questo errore in Machine Learning è inutilizzato e verrà deprecato.

Messaggi di eccezione
I file specificati per l'input e l'output non possono essere uguali.

Errore 0051

Si verifica un'eccezione se più file di output sono uguali.

Risoluzione: Questo errore in Machine Learning è inutilizzato e verrà deprecato.

Messaggi di eccezione
I file specificati per gli output non possono essere uguali.

Errore 0052

L'eccezione si verifica se la chiave dell'account di archiviazione di Azure è stata specificata in modo errato.

Questo errore si verifica in Machine Learning se la chiave usata per accedere all'account di archiviazione di Azure non è corretta. Ad esempio, è possibile che questo errore venga visualizzato se la chiave di archiviazione di Azure è stata troncata quando è stata copiata e incollata o se è stata usata una chiave errata.

Per ulteriori informazioni su come ottenere le chiavi di un account di archiviazione di Azure, vedere la pagina relativa alla Vedere, copiare e rigenerare chiavi di accesso di archiviazione.

Risoluzione: Rivedere il modulo e verificare che la chiave di archiviazione di Azure sia corretta per l'account; se necessario, copiare di nuovo la chiave dal portale di Azure classico.

Messaggi di eccezione
The Azure storage account key is incorrect. (La chiave dell'account di account di archiviazione di Azure non è corretta.)

Errore 0053

L'eccezione si verifica in assenza di elementi o funzioni utente per i suggerimenti di Matchbox.

Questo errore in Machine Learning viene generato quando non è possibile trovare un vettore di funzionalità.

Risoluzione: Verificare che nel set di dati di input sia presente il vettore di funzionalità.

Messaggi di eccezione
User features or/and items are required but not provided. (Le funzionalità e/o gli elementi dell'utente sono obbligatori ma non sono stati specificati.)

Errore 0054

Si verifica un'eccezione se il numero di valori distinct nella colonna non è sufficiente per completare l'operazione.

Risoluzione: Questo errore in Machine Learning è inutilizzato e verrà deprecato.

Messaggi di eccezione
Sono presenti troppo pochi valori distinct nella colonna specificata per completare l'operazione.
Sono presenti troppo pochi valori distinct nella colonna specificata per completare l'operazione. Il valore minimo richiesto è {0} costituito dagli elementi.
Sono presenti troppo pochi valori distinct nella colonna "{1}" per completare l'operazione. Il valore minimo richiesto è {0} costituito dagli elementi.

Errore 0055

Si verifica un'eccezione quando si richiama un modulo deprecato.

Questo errore viene visualizzato in Machine Learning se si tenta di chiamare un modulo deprecato.

Risoluzione:

Messaggi di eccezione
Accessing deprecated module.
Il modulo "{0}" è deprecato.

Errore 0056

L'eccezione si verifica se le colonne selezionate per un'operazione violano i requisiti.

Questo errore si verifica in Machine Learning quando si scelgono colonne per un'operazione che richiede che la colonna sia di un tipo di dati specifico.

Questo errore può verificarsi anche se il tipo di dati della colonna è corretto, ma il modulo in uso richiede che anche la colonna sia contrassegnata come una colonna funzionalità, etichetta o di categoria.

Ad esempio, il modulo Converti in valori indicatore richiede che le colonne siano categorice e genererà questo errore se si seleziona una colonna di funzionalità o una colonna etichetta.

Risoluzione:

1. Esaminare il tipo di dati delle colonne attualmente selezionate.

2. Verificare se le colonne selezionate sono di categoria, etichetta o funzionalità.

3. Esaminare l'argomento della Guida per il modulo in cui è stata effettuata la selezione delle colonne, per determinare se ci sono requisiti specifici per il tipo di dati o l'utilizzo delle colonne.

4. Usare Modifica metadati per modificare il tipo di colonna per la durata di questa operazione. Assicurarsi di ripristinare il valore originale del tipo di colonna, usando un'altra istanza di Modifica metadati, se necessario per le operazioni di downstream.

Messaggi di eccezione
One or more selected columns were not in an allowed category. (Una o più colonne selezionate non sono incluse in una categoria consentita.)
La colonna con nome "{0}" non si trova in una categoria consentita.

Errore 0057

L'eccezione si verifica quando si tenta di creare un file o un BLOB che esiste già.

Questa eccezione si verifica quando si usa il modulo Esporta dati o un altro modulo per salvare i risultati di un esperimento in Machine Learning nell'archivio BLOB di Azure, ma si tenta di creare un file o un BLOB già esistente.

Risoluzione:

Questo errore viene visualizzato solo se in precedenza è stata impostata la proprietà Azure blob storage write mode (Modalità di scrittura dell'Archiviazione BLOB di Azure) per Errore. Da progettazione, questo modulo genera un errore se si tenta di scrivere un set di dati in un BLOB già esistente.

• Aprire le proprietà del modulo e modificare la proprietà Azure blob storage write mode (Modalità di scrittura dell'Archiviazione BLOB di Azure) in Sovrascrivi.
• In alternativa, è possibile digitare il nome di un BLOB o un file di destinazione diverso e assicurarsi di specificare un BLOB che non esista già.

Messaggi di eccezione
File or Blob already exists. (Il file o il BLOB esiste già.)
File o BLOB "{0}" già esistente.

Errore 0058

Questo errore si verifica in Machine Learning se il set di dati non contiene la colonna dell'etichetta prevista.

Questa eccezione può verificarsi anche quando la colonna etichetta specificata non corrisponde ai dati o al tipo di dati previsto dall'apprendimento oppure ha valori errati. Ad esempio, questa eccezione si genera quando si usa una colonna etichetta con valori reali durante il training di un classificatore binario.

Risoluzione: La risoluzione dipende dall'apprendimento o dal formatore usato e dai tipi di dati delle colonne nel set di dati. Innanzitutto, verificare i requisiti dell'algoritmo di Machine Learning o del modulo di training.

Rivedere il set di dati di input. Verificare che la colonna che si prevede venga trattata come etichetta abbia il tipo di dati corretto per il modello che si sta creando.

Controllare i valori mancanti negli input e, se necessario, eliminarli o sostituirli.

Se necessario, aggiungere il modulo Modifica metadati e assicurarsi che la colonna etichetta sia contrassegnata come etichetta.

Messaggi di eccezione
La colonna di etichette non risulta come previsto
La colonna etichetta non è come previsto in "{0}".
La colonna etichetta "{0}" non è prevista in "{1}".

Errore 0059

L'eccezione si verifica se non è possibile analizzare un indice di colonna specificato in un selettore di colonna.

Questo errore si verifica in Machine Learning se non è possibile analizzare un indice di colonna specificato quando si usa il selettore di colonna. Questo errore viene visualizzato quando l'indice di colonna è in un formato non valido che non può essere analizzato.

Risoluzione: Modificare l'indice di colonna per usare un valore di indice valido.

Messaggi di eccezione
One or more specified column indexes or index ranges could not be parsed. (Non è stato possibile analizzare uno o più indici di colonna o intervalli di indice specificati.)
Impossibile analizzare l'indice o l'intervallo di colonne "{0}".

Errore 0060

L'eccezione si verifica quando viene specificato un intervallo di colonne fuori intervallo in un selettore di colonna.

Questo errore si verifica in Machine Learning quando viene specificato un intervallo di colonne fuori intervallo nel selettore di colonna. Questo errore viene visualizzato se l'intervallo di colonne nel selettore di colonna non corrisponde alle colonne nel set di dati.

Risoluzione: Modificare l'intervallo di colonne nel selettore di colonna affinché corrisponda alle colonne nel set di dati.

Messaggi di eccezione
Invalid or out of range column index range specified. (L'intervallo specificato per l'indice di colonna non è valido o non è compreso nei limiti consentiti.)
L'intervallo di colonne "{0}" non è valido o non è compreso nell'intervallo.

Errore 0061

L'eccezione si verifica quando si tenta di aggiungere una riga a un oggetto DataTable che contiene un numero di colonne diverso rispetto alla tabella.

Questo errore si verifica in Machine Learning quando si tenta di aggiungere una riga a un set di dati con un numero diverso di colonne rispetto al set di dati. Questo errore viene visualizzato se la riga che viene aggiunta al set di dati contiene un numero diverso di colonne del set di dati di input. Non è possibile aggiungere la riga al set di dati se il numero di colonne è diverso.

Risoluzione: Modificare il set di dati di input in modo che abbia lo stesso numero di colonne della riga aggiunta oppure modificare la riga aggiunta in modo che abbia lo stesso numero di colonne del set di dati.

Messaggi di eccezione
All tables must have the same number of columns. (Tutte le tabelle devono avere lo stesso numero di colonne.)

Errore 0062

L'eccezione si verifica quando si tenta di confrontare due modelli con tipi di apprendimento diversi.

Questo errore in Machine Learning viene generato quando non è possibile confrontare le metriche di valutazione per due set di dati con punteggio diversi. In questo caso, non è possibile confrontare l'efficacia dei modelli usati per produrre i due set di dati con punteggio.

Risoluzione: Verificare che i risultati con punteggio siano prodotti dallo stesso tipo di modello di Machine Learning (classificazione binaria, regressione, classificazione multiclasse, suggerimenti, clustering, rilevamento anomalie e così via). Tutti i modelli confrontati devono avere lo stesso tipo di apprendimento.

Messaggi di eccezione
All models must have the same learner type. (Tutti i modelli devono avere lo stesso tipo di apprendimento.)

Errore 0063

Questa eccezione viene generata quando la valutazione dello script R ha esito negativo con un errore.

Questo errore si verifica quando è stato fornito uno script R in uno dei moduli del linguaggio R in Machine Learning e il codice R contiene errori di sintassi interni. L'eccezione può verificarsi anche se si specificano gli input errati per lo script R.

L'errore può verificarsi anche se lo script è troppo grande da eseguire nell'area di lavoro. Le dimensioni massime dello script per il modulo Execute R Script (Esegui script R ) sono pari a 1.000 righe o 32 KB di spazio di lavoro, a qualsiasi valore minore.

Risoluzione:

1. In Machine Learning Studio (versione classica) fare clic con il pulsante destro del mouse sul modulo con l'errore e scegliere Visualizza log.
2. Esaminare il log degli errori standard del modulo, che contiene l'analisi dello stack.
   • Le righe che iniziano con [ModuleOutput] indicano l'output di R.
   • I messaggi di R contrassegnati come avvisi in genere non causano l'esito negativo dell'esperimento.
3. Risolvere i problemi di script.
   • Verificare la presenza di errori di sintassi R. Verificare la presenza di variabili definite ma mai popolate.
   • Esaminare i dati di input e lo script per determinare se i dati o le variabili nello script usano caratteri non supportati da Machine Learning.
   • Controllare se tutte le dipendenze dei pacchetti sono installate.
   • Controllare se il codice carica le librerie necessarie che non vengono caricate per impostazione predefinita.
   • Controllare se i pacchetti necessari sono la versione corretta.
   • Assicurarsi che qualsiasi set di dati da restituire venga convertito in un frame di dati.
4. Inviare di nuovo l'esperimento.

Messaggi di eccezione
Error during evaluation of R script.
Si è verificato l'errore seguente durante la valutazione dello script R: ---------- messaggio di inizio del messaggio di errore da R ---------- {0} ----------- Messaggio di fine errore da R -----------
Durante la valutazione dello script R "{1}" si è verificato l'errore seguente: ---------- l'inizio del messaggio di errore da R ---------- {0} ----------- Messaggio di fine errore da R -----------

Errore 0064

L'eccezione si verifica se la chiave di archiviazione o il nome dell'account di archiviazione di Azure è stato specificato in modo errato.

Questo errore si verifica in Machine Learning se il nome o la chiave di archiviazione dell'account di archiviazione di Azure viene specificato in modo non corretto. Questo errore viene visualizzato se si immette un nome o una password errati per l'account di archiviazione. Questo problema può verificarsi se si immette manualmente il nome o la password dell'account. Può verificarsi anche se l'account è stato eliminato.

Risoluzione: Verificare che il nome e la password dell'account siano stati immessi correttamente e che l'account esista.

Messaggi di eccezione
The Azure storage account name or storage key is incorrect. (Il nome dell'account di archiviazione di Azure o la chiave di archiviazione non sono corretti.)
Il nome dell'account di archiviazione di Azure "{0}" o la chiave di archiviazione per il nome dell'account non è corretto.

Errore 0065

L'eccezione si verifica se il nome del BLOB di Azure è stato specificato in modo errato.

Questo errore si verifica in Machine Learning se il nome del BLOB di Azure viene specificato in modo non corretto. L'errore viene visualizzato l'errore se:

• Non è possibile trovare il BLOB nel contenitore specificato.

• Il nome completo del BLOB specificato per l'output in uno dei moduli Learning con conteggi è maggiore di 512 caratteri.

• È stato specificato solo il contenitore come origine in una richiesta Importazione dei dati quando il formato era Excel o CSV con codifica; la concatenazione dei contenuti di tutti i BLOB all'interno di un contenitore non è consentita con questi formati.

• Un URI SAS non contiene il nome di un BLOB valido.

Risoluzione: Rivedere il modulo che genera l'eccezione. Verificare che il BLOB specificato esista nel contenitore dell'account di archiviazione e che le autorizzazioni consentano di visualizzare il BLOB. Verificare che l'input sia nel formato nome del contenitore/nome del file se si ha un file Excel o CSV con formati di codifica. Verificare che un URI SAS contenga il nome di un BLOB valido.

Messaggi di eccezione
The Azure storage blob is incorrect.
Il nome del BLOB di archiviazione di Azure "{0}" non è corretto

Errore 0066

L'eccezione si verifica se non è possibile caricare una risorsa in un BLOB di Azure.

Questo errore si verifica in Machine Learning se non è stato possibile caricare una risorsa in un BLOB di Azure. Questo messaggio verrà visualizzato se il training del modello Wabbit 7-4 di Vowpal rileva un errore durante il training del modello o dell'hash creato. Entrambi vengono salvati nello stesso account di archiviazione di Azure come account che contiene il file di input.

Risoluzione: Esaminare il modulo. Verificare che il nome dell'account Azure, la chiave di archiviazione e il contenitore siano corretti e che l'account abbia l'autorizzazione per scrivere nel contenitore.

Messaggi di eccezione
The resource could not be uploaded to Azure storage. (Non è stato possibile caricare la risorsa nell'area di archiviazione di Azure.)
Impossibile caricare il file "{0}" in Archiviazione di Azure come {1}.

Errore 0067

L'eccezione si verifica se un set di dati contiene un numero diverso di colonne rispetto al previsto.

Questo errore si verifica in Machine Learning se un set di dati ha un numero diverso di colonne del previsto. Viene visualizzato quando il numero di colonne nel set di dati è diverso dal numero di colonne previsto dal modulo durante l'esecuzione.

Risoluzione: Modificare il set di dati di input o i parametri.

Messaggi di eccezione
Unexpected number of columns in the datatable. (Numero di colonne non previsto nella tabella dati.)
Colonne "{0}" previste ma colonne "{1}" trovate.

Errore 0068

L'eccezione si verifica se lo script Hive specificato non è corretto.

Questo errore si verifica in Machine Learning se si verificano errori di sintassi in uno script QL Hive o se l'interprete Hive rileva un errore durante l'esecuzione della query o dello script.

Risoluzione:

Il messaggio di errore di Hive viene in genere segnalato nel log degli errori, in modo che sia possibile intervenire in base all'errore specifico.

• Aprire il modulo ed esaminare la query per individuare eventuali errori.
• Verificare che la query funzioni correttamente all'esterno di Machine Learning accedendo alla console Hive del cluster Hadoop ed eseguendo la query.
• Provare a inserire commenti nello script Hive in un'altra riga, anziché combinare istruzioni e commenti eseguibili in un'unica riga.

Risorse

Vedere gli articoli seguenti per informazioni sull'esecuzione di query di Hive per Machine Learning:

• Creare tabelle Hive e caricare i dati dall'archiviazione BLOB di Azure
• Esplorare i dati nelle tabelle con le query di Hive
• Creare funzionalità per i dati in un cluster Hadoop con query Hive
• Scheda di riferimento rapido di Hive per utenti SQL (PDF)

Messaggi di eccezione
Hive script is incorrect. (Lo script Hive non è corretto.)
Lo script {0} Hive non è corretto.

Errore 0069

L'eccezione si verifica se lo script SQL specificato non è corretto.

Questo errore si verifica in Machine Learning se lo script di SQL specificato presenta problemi di sintassi o se le colonne o la tabella specificata nello script non sono valide.

Questo errore viene visualizzato se il motore SQL rileva un errore durante l'esecuzione della query o dello script. Il messaggio di errore di SQL viene in genere segnalato nel log degli errori, in modo che sia possibile intervenire in base all'errore specifico.

Risoluzione: Rivedere il modulo ed esaminare la query SQL per individuare eventuali errori.

Verificare che la query funzioni correttamente all'esterno di Azure ML accedendo direttamente al server di database ed eseguendo la query.

Se è presente un messaggio generato da SQL segnalato dall'eccezione del modulo, intervenire in base all'errore segnalato. I messaggi di errore, ad esempio, includono a volte istruzioni specifiche sul probabile errore:

• No such column or missing database (Questa colonna non è presente oppure manca il database), indica che è possibile che sia stato digitato un nome di colonna errato. Se si è certi che il nome della colonna è corretto, provare a usare le parentesi quadre o le virgolette per racchiudere l'identificatore di colonna.
• SQL logic error near (Errore logico SQL vicino a)<SQL keyword> , indica che potrebbe essere presente un errore di sintassi prima della parola chiave specificata

Messaggi di eccezione
SQL script is incorrect. (Script SQL errato.)
SQL query "{0}" non è corretta.
SQL query "{0}" non è corretta:{1}

Errore 0070

L'eccezione si verifica durante il tentativo di accesso a una tabella di Azure inesistente.

Questo errore si verifica in Machine Learning quando si tenta di accedere a una tabella di Azure inesistente. Questo errore viene visualizzato se si specifica una tabella in Archiviazione di Azure, che non esiste durante la lettura o la scrittura in Archiviazione tabelle di Azure. Ciò può verificarsi se il nome della tabella desiderata viene digitato in maniera errata o se il nome di destinazione e il tipo di archiviazione non corrispondono. Ad esempio, lo scopo era leggere una tabella, ma è stato immesso il nome di un BLOB.

Risoluzione: Rivedere il modulo per verificare che il nome della tabella sia corretto.

Messaggi di eccezione
Azure table does not exist. (La tabella di Azure non esiste.)
La tabella di Azure "{0}" non esiste.

Errore 0071

Si verifica un'eccezione se le credenziali specificate non sono corrette.

Questo errore si verifica in Machine Learning se le credenziali specificate non sono corrette.

È anche possibile che venga visualizzato questo errore se il modulo non è in grado di connettersi a un cluster HDInsight.

Risoluzione: Esaminare gli input nel modulo e verificare il nome e la password dell'account.

Verificare la presenza dei problemi seguenti che possono causare un errore:

• Lo schema del set di dati non corrisponde allo schema della tabella dati di destinazione.

• Nomi di colonna mancanti o non digitati in modo errato

• Si scrive in una tabella con nomi di colonna con caratteri non validi. In genere è possibile racchiudere tali nomi di colonna tra parentesi quadre, ma se non funziona, modificare i nomi delle colonne in modo da usare solo lettere e caratteri di sottolineatura (_)

• Stringhe che si sta tentando di scrivere contengono virgolette singole

Se si sta tentando di connettersi a un cluster HDInsight, verificare che il cluster di destinazione sia accessibile con le credenziali fornite.

Messaggi di eccezione
Incorrect credentials are passed.
Viene passato il nome utente non corretto "{0}" o la password

Errore 0072

L'eccezione si verifica in caso di timeout della connessione.

Questo errore si verifica in Machine Learning quando si verifica un timeout di una connessione. Questo errore verrà visualizzato se sono presenti problemi di connettività con l'origine dati o la destinazione, ad esempio connettività Internet lenta o se il set di dati è di grandi dimensioni e/o la query di SQL da leggere nei dati esegue un'elaborazione complessa.

Risoluzione: Determinare se al momento ci sono problemi con le connessioni lente ad Archiviazione di Azure o a Internet.

Messaggi di eccezione
Connection timeout occured. (Timeout connessione.)

Errore 0073

L'eccezione si verifica in caso di errore durante la conversione di una colonna in un altro tipo.

Questo errore in Machine Learning si verifica quando non è possibile convertire la colonna in un altro tipo. Questo errore viene visualizzato se un modulo richiede un determinato tipo e non è possibile convertire la colonna nel nuovo tipo.

Risoluzione: Modificare il set di dati di input in modo che la colonna possa essere convertita in base all'eccezione interna.

Messaggi di eccezione
Non è stato possibile convertire la colonna.
Impossibile convertire la colonna in {0}.

Errore 0074

L'eccezione si verifica quando modifica metadati tenta di convertire una colonna di tipo sparse in categorica.

Questo errore si verifica in Machine Learning quando modifica metadati tenta di convertire una colonna di tipo sparse in categorica. Questo errore verrà visualizzato quando si tenta di convertire le colonne di tipo sparse in categorico con l'opzione Make categorical . Machine Learning non supporta matrici categoriche di tipo sparse, pertanto il modulo avrà esito negativo.

Risoluzione: Impostare prima la densità della colonna usando Converti in set di dati o non convertire la colonna in categorica.

Messaggi di eccezione
Sparse columns cannot be converted to Categorical.

Errore 0075

L'eccezione si verifica quando viene usata una funzione di binning non valida durante la quantizzazione di un set di dati.

Questo errore si verifica in Machine Learning quando si tenta di binare i dati usando un metodo non supportato o quando le combinazioni di parametri non sono valide.

Risoluzione:

La gestione degli errori per questo evento è stata introdotta in una versione precedente di Machine Learning che ha consentito una maggiore personalizzazione dei metodi di binning. Attualmente tutti i metodi di binning si basano su una selezione da un elenco a discesa, quindi tecnicamente non dovrebbe più essere possibile ottenere questo errore.

Se viene visualizzato questo errore quando si usa il modulo Group Data in Bins, prendere in considerazione la segnalazione del problema nel forum Machine Learning, fornendo i tipi di dati, le impostazioni dei parametri e il messaggio di errore esatto.

Messaggi di eccezione
Invalid binning function used. (È stata usata una funzione di binning non valida.)

Errore 0077

L'eccezione si verifica quando viene passata una modalità scrittura di file BLOB sconosciuta.

Questo errore in Machine Learning si verifica se un argomento non valido viene passato nelle specifiche per una destinazione o un'origine di file BLOB.

Risoluzione: In quasi tutti i moduli che importano o esportano dati da e verso l'Archiviazione BLOB di Azure, i valori dei parametri che controllano la modalità scrittura vengono assegnati usando un elenco a discesa. Pertanto, non è possibile passare un valore non valido e questo errore non dovrebbe essere visualizzato. Questo errore verrà deprecato in una versione successiva.

Messaggi di eccezione
Modalità di scrittura BLOB non supportata.
Modalità di scrittura BLOB non supportata: {0}.

Errore 0078

L'eccezione si verifica quando l'opzione HTTP per Importazione dei dati riceve un codice di stato 3xx che indica il reindirizzamento.

Questo errore in Machine Learning si verifica quando l'opzione HTTP per Importa dati riceve un 3xx (301, 302, 304 e così via) codice di stato che indica il reindirizzamento. Questo errore viene visualizzato se si tenta di eseguire la connessione a un'origine HTTP che reindirizza il browser a un'altra pagina. Per motivi di sicurezza, il reindirizzamento dei siti Web non è consentito come origini dati per Machine Learning.

Risoluzione: Se il sito Web è attendibile, immettere direttamente l'URL reindirizzato.

Messaggi di eccezione
Http redirection not allowed

Errore 0079

L'eccezione si verifica se il nome del contenitore di Archiviazione di Azure è stato specificato in modo errato.

Questo errore in Machine Learning si verifica se il nome del contenitore di archiviazione di Azure viene specificato in modo errato. Questo errore viene visualizzato se non sono stati specificati il nome del contenitore e il nome del BLOB (file) usando l'opzione di percorso del BLOB che inizia con il contenitore durante la scrittura in Archiviazione BLOB di Azure.

Risoluzione: Rivedere il modulo Esportazione dei dati e verificare che il percorso specificato per il BLOB contenga sia il contenitore che il nome file, nel formato contenitore/nome file.

Messaggi di eccezione
The Azure storage container name is incorrect. (Il nome del contenitore di Archiviazione di Azure è errato.)
Il nome del contenitore di archiviazione di Azure "{0}" non è corretto. È stato previsto un nome del contenitore di formato/BLOB.

Errore 0080

L'eccezione si verifica quando una colonna priva di valori non è consentita dal modulo.

Questo errore in Machine Learning viene generato quando una o più colonne utilizzate dal modulo contengono tutti i valori mancanti. Se, ad esempio, un modulo calcola le statistiche di aggregazione per ogni colonna, non può funzionare su una colonna che non contiene dati. In questi casi, l'esecuzione del modulo viene interrotta con questa eccezione.

Risoluzione: Rivedere il set di dati di input e rimuovere le colonne prive di valori.

Messaggi di eccezione
Columns with all values missing are not allowed. (Non sono consentite colonne prive di tutti i valori.)
La colonna {0} contiene tutti i valori mancanti.

Errore 0081

L'eccezione si verifica nel modulo PCA se il numero di dimensioni a cui eseguire la riduzione è uguale al numero di colonne di funzionalità nel set di dati di input, che contiene almeno una colonna di funzionalità di tipo sparse.

Questo errore in Machine Learning viene generato se vengono soddisfatte le condizioni seguenti: (a) il set di dati di input ha almeno una colonna sparse e (b) il numero finale di dimensioni richieste è uguale al numero di dimensioni di input.

Risoluzione: Provare a ridurre il numero di dimensioni nell'output in modo che sia inferiore al numero di dimensioni nell'input. Questo succede in genere nelle applicazioni di PCA. Per altre informazioni, vedere Analisi dei componenti principale.

Messaggi di eccezione
Per il set di dati contenente colonne di funzionalità sparse numero di dimensioni da ridurre deve essere minore del numero di colonne di funzionalità.

Errore 0082

L'eccezione si verifica quando un modello non può essere deserializzato.

Questo errore in Machine Learning si verifica quando un modello di Machine Learning salvato o una trasformazione non può essere caricato da una versione più recente del runtime di Machine Learning in seguito a una modifica di rilievo.

Risoluzione: L'esperimento di training che ha prodotto il modello o la trasformazione devono essere rieseguiti e il modello o la trasformazione devono essere restituiti.

Messaggi di eccezione
Model could not be deserialized because it is likely serialized with an older serialization format. Ripetere il training e eseguire il ripristino del modello.

Errore 0083

L'eccezione si verifica se il set di dati usato per il training non può essere usato per il tipo concreto di apprendimento.

Questo errore in Machine Learning viene generato quando il set di dati non è compatibile con il learner sottoposto a training. Il set di dati, ad esempio, potrebbe contenere almeno un valore mancante in ogni riga e, di conseguenza, l'intero set di dati verrebbe ignorato durante il training. In altri casi, alcuni algoritmi di Machine Learning, quali il rilevamento anomalie, non prevedono la presenza di etichette e possono generare questa eccezione se nel set di dati sono presenti etichette.

Risoluzione: Consultare la documentazione relativa all'apprendimento usato per verificare i requisiti per il set di dati di input. Esaminare le colonne per verificare che siano presenti tutte le colonne necessarie.

Messaggi di eccezione
Dataset used for training is invalid. (Il set di dati usato per il training non è valido.)
{0} contiene dati non validi per il training.
{0} contiene dati non validi per il training. Tipo learner: {1}.

Errore 0084

L'eccezione si verifica durante la valutazione dei punteggi prodotti da uno script R. Questa funzione non è attualmente supportata.

Questo errore in Machine Learning si verifica se si tenta di usare uno dei moduli per valutare un modello con output da uno script R che contiene punteggi.

Risoluzione:

Messaggi di eccezione
La valutazione dei punteggi prodotti da R non è attualmente supportata.

Errore 0085

L'eccezione si verifica quando la valutazione dello script genera un errore.

Questo errore in Machine Learning si verifica quando si esegue uno script personalizzato che contiene errori di sintassi.

Risoluzione: Esaminare il codice in un editor esterno e verificare la presenza di errori.

Messaggi di eccezione
Error during evaluation of script. (Errore durante la valutazione dello script.)
L'errore seguente si è verificato durante la valutazione dello script, visualizzare il log di output per altre informazioni: ---------- Inizio del messaggio di errore dall'interprete {0} ---------- {1} ---------- Fine del messaggio di errore dall'interprete {0} ----------

Errore 0086

Si verifica un'eccezione quando la trasformazione di un conteggio non è valida.

Questo errore in Machine Learning si verifica quando si seleziona una trasformazione in base a una tabella di conteggio, ma la trasformazione selezionata non è compatibile con i dati correnti o con la nuova tabella conteggio.

Risoluzione: Il modulo supporta il salvataggio dei conteggi e delle regole che costituiscono la trasformazione in due formati diversi. Se si unisce le tabelle dei conteggi, verificare che entrambe le tabelle che si intende unire usino lo stesso formato.

In generale, una trasformazione basata su conteggio può essere applicata solo ai set di dati con lo stesso schema del set di dati in cui è stata creata la trasformazione.

Per informazioni generali, vedere Learning con conteggi. Per i requisiti specifici per la creazione e l'unione delle funzionalità basate sul conteggio, vedere questi argomenti:

• Trasformazione conteggio unione

• Tabella Di conteggio importazione

• Modificare i parametri della tabella conteggio

Messaggi di eccezione
È stata specificata una trasformazione del conteggio non valida.
La trasformazione di conteggio alla porta di input '{0}' non è valida.
Impossibile unire la trasformazione di conteggio alla porta di input '{0}' con la trasformazione conteggio alla porta di input '{1}'. Controllare di verificare i metadati usati per il conteggio delle corrispondenze.

Errore 0087

Si verifica un'eccezione quando viene specificato un tipo di tabella di conteggio non valido per l'apprendimento con i moduli di conteggio.

Questo errore in Machine Learning si verifica quando si tenta di importare una tabella conteggio esistente, ma la tabella non è compatibile con i dati correnti o con la nuova tabella conteggio.

Risoluzione: Esistono formati diversi per salvare i conteggi e le regole che costituiscono la trasformazione. Se si unisce le tabelle di conteggio, verificare che entrambi usino lo stesso formato.

In genere, una trasformazione basata su conteggio può essere applicata solo ai set di dati con lo stesso schema del set di dati in cui è stata creata la trasformazione.

Per informazioni generali, vedere Learning con conteggi. Per i requisiti specifici per la creazione e l'unione delle funzionalità basate sul conteggio, vedere questi argomenti:

Errore 0088

Si verifica un'eccezione quando viene specificato un tipo di conteggio non valido per l'apprendimento con i moduli di conteggio.

Questo errore in Machine Learning si verifica quando si tenta di usare un metodo di conteggio diverso rispetto a quello supportato per la funzionalità basata sul conteggio.

Risoluzione: In generale, i metodi di conteggio vengono scelti da un elenco a discesa, quindi non dovrebbe essere visualizzato questo errore.

Per informazioni generali, vedere Learning con conteggi. Per i requisiti specifici per la creazione e l'unione delle funzionalità basate sul conteggio, vedere questi argomenti:

• Trasformazione conteggio unione

• Tabella Di conteggio importazione

• Modificare i parametri della tabella conteggio

Messaggi di eccezione
È stato specificato un tipo di conteggio non valido.
Il tipo di conteggio specificato '{0}' non è un tipo di conteggio valido.

Errore 0089

Si verifica un'eccezione quando il numero di classi specificato è inferiore al numero di classi effettivo in un set di dati usato per il conteggio.

Questo errore in Machine Learning si verifica quando si crea una tabella di conteggio e la colonna etichetta contiene un numero diverso di classi rispetto a quelle specificate nei parametri del modulo.

Risoluzione: Controllare il set di dati e scoprire esattamente il numero di valori distinti (classi possibili) presenti nella colonna etichetta. Quando si crea la tabella count, è necessario specificare almeno questo numero di classi.

La tabella conteggio non può determinare automaticamente il numero di classi disponibili.

Quando si crea la tabella conteggio, non è possibile specificare 0 o qualsiasi numero minore del numero effettivo di classi nella colonna etichetta.

Messaggi di eccezione
Il numero di classi non è corretto. Assicurarsi che il numero di classi specificate nel riquadro dei parametri sia maggiore o uguale al numero di classi nella colonna etichetta.
Il numero di classi specificate è '', che non è maggiore di un valore di etichetta '{0}{1}' nel set di dati usato per il conteggio. Assicurarsi che il numero di classi specificate nel riquadro dei parametri sia maggiore o uguale al numero di classi nella colonna etichetta.

Errore 0090

L'eccezione si verifica quando la creazione della tabella Hive non riesce.

Questo errore in Machine Learning si verifica quando si usano Esporta dati o un'altra opzione per salvare i dati in un cluster HDInsight e non è possibile creare la tabella Hive specificata.

Risoluzione: Verificare il nome dell'account di archiviazione di Azure associato al cluster e verificare che venga usato lo stesso account nelle proprietà del modulo.

Messaggi di eccezione
The Hive table could not be created. Per un cluster HDInsight, assicurarsi che il nome dell'account di archiviazione di Azure associato al cluster sia uguale a quello passato tramite il parametro del modulo.
Impossibile creare la tabella Hive "{0}". Per un cluster HDInsight, assicurarsi che il nome dell'account di archiviazione di Azure associato al cluster sia uguale a quello passato tramite il parametro del modulo.
Impossibile creare la tabella Hive "{0}". Per un cluster HDInsight, verificare che il nome dell'account di archiviazione di Azure associato al cluster sia "{1}".

Errore 0100

Si verifica un'eccezione quando viene specificata una lingua non supportata per un modulo personalizzato.

Questo errore in Machine Learning si verifica quando si compila un modulo personalizzato e la proprietà name dell'elemento Language in un file di definizione xml del modulo personalizzato ha un valore non valido. Attualmente, l'unico valore valido per questa proprietà è R. Ad esempio:

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

Risoluzione: Verificare che la proprietà name dell'elemento Language nel file di definizione xml del modulo personalizzato sia impostata su R. Salvare il file, aggiornare il pacchetto zip del modulo personalizzato e provare a aggiungere di nuovo il modulo personalizzato.

Messaggi di eccezione
Linguaggio del modulo personalizzato non supportato specificato

Errore 0101

Tutti gli ID porta e parametri devono essere univoci.

Questo errore in Machine Learning si verifica quando una o più porte o parametri vengono assegnati lo stesso valore ID in un file di definizione XML del modulo personalizzato.

Risoluzione: Verificare che i valori ID in tutte le porte e i parametri siano univoci. Salvare il file xml, aggiornare il pacchetto zip del modulo personalizzato e provare a aggiungere di nuovo il modulo personalizzato.

Messaggi di eccezione
Tutti gli ID porta e parametri per un modulo devono essere univoci
Il modulo '{0}' include ID porta/argomento duplicati. Tutti gli ID porta/argomento devono essere univoci per un modulo.

Errore 0102

Viene generato quando non è possibile estrarre un file ZIP.

Questo errore in Machine Learning si verifica quando si importa un pacchetto compresso con l'estensione .zip, ma il pacchetto non è un file zip o il file non usa un formato zip supportato.

Risoluzione: Verificare che il file selezionato sia un file con estensione ZIP valido e che sia stato compresso usando uno degli algoritmi di compressione supportati.

Se si verifica questo errore quando si importano i set di dati in formato compresso, verificare che tutti i file contenuti usino uno dei formati di file supportati e siano in formato Unicode. Per altre informazioni, vedere Decomprimere set di dati compressi.

Provare a leggere i file desiderati in una nuova cartella compressa e provare a aggiungere di nuovo il modulo personalizzato.

Messaggi di eccezione
Given ZIP file is not in the correct format

Errore 0103

Viene generato quando un file ZIP non contiene file XML

Questo errore in Machine Learning si verifica quando il pacchetto zip del modulo personalizzato non contiene file di definizione del modulo (.xml). Questi file devono risiedere nella radice del pacchetto zip, ad esempio non all'interno di una sottocartella.

Risoluzione: Verificare che uno o più file di definizione del modulo xml si trovino nella cartella radice del pacchetto zip estrandolo in una cartella temporanea nell'unità disco. Tutti i file xml devono essere direttamente nella cartella in cui è stato estratto il pacchetto zip. Assicurarsi di creare il pacchetto zip che non si seleziona una cartella che contiene file xml da zip in quanto verrà creata una sottocartella all'interno del pacchetto zip con lo stesso nome della cartella selezionata per zip.

Messaggi di eccezione
Given ZIP file does not contain any module definition files (.xml files)

Errore 0104

Viene generato quando un file di definizione del modulo fa riferimento a uno script che non è possibile individuare

Questo errore in Machine Learning viene generato quando un file di definizione xml del modulo personalizzato fa riferimento a un file di script nell'elemento Language che non esiste nel pacchetto zip. Il percorso del file di script è definito nella proprietà sourceFile dell'elemento Language . Il percorso del file di origine è relativo alla radice del pacchetto zip (lo stesso percorso dei file di definizione xml del modulo). Se il file di script si trova in una sottocartella, è necessario specificare il percorso relativo del file di script. Ad esempio, se tutti gli script sono stati archiviati in una cartella myScripts all'interno del pacchetto zip, l'elemento Language dovrà aggiungere questo percorso alla proprietà sourceFile come illustrato di seguito. Ad esempio:

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

Risoluzione: Assicurarsi che il valore della proprietà sourceFile nell'elemento Language della definizione xml del modulo personalizzato sia corretto e che il file di origine esista nel percorso relativo corretto nel pacchetto zip.

Messaggi di eccezione
Il file di script R a cui viene fatto riferimento non esiste.
Impossibile trovare il file di script R{0} a cui si fa riferimento. Verificare che il percorso relativo del file sia corretto dal percorso delle definizioni.

Errore 0105

Questo errore viene visualizzato quando un file di definizione del modulo contiene un tipo di parametro non supportato

Questo errore in Machine Learning viene generato quando si crea una definizione xml del modulo personalizzata e il tipo di parametro o argomento nella definizione non corrisponde a un tipo supportato.

Risoluzione: Verificare che la proprietà tipo di un elemento Arg nel file di definizione XML del modulo personalizzato sia di un tipo supportato.

Messaggi di eccezione
Tipo di parametro non supportato.
Unsupported parameter type '{0}' specified. (È stato specificato un tipo di parametro non supportato '{0}'.)

Errore 0106

Generato quando un file di definizione del modulo definisce un tipo di input non supportato

Questo errore in Machine Learning viene generato quando il tipo di porta di input in una definizione XML del modulo personalizzato non corrisponde a un tipo supportato.

Risoluzione: Assicurarsi che la proprietà type di un elemento Input nel file di definizione XML del modulo personalizzato sia un tipo supportato.

Messaggi di eccezione
Tipo di input non supportato.
Tipo di input non supportato '{0}' specificato.

Errore 0107

Viene generato quando un file di definizione del modulo definisce un tipo di output non supportato

Questo errore in Machine Learning viene generato quando il tipo di una porta di output in una definizione xml del modulo personalizzato non corrisponde a un tipo supportato.

Risoluzione: Verificare che la proprietà tipo di un elemento di output nel file di definizione XML del modulo personalizzato sia di un tipo supportato.

Messaggi di eccezione
Unsupported output type. (Tipo di output non supportato.)
Tipo di output non supportato '{0}' specificato.

Errore 0108

Viene generato quando in un file di definizione del modulo vengono definite più porte di input o output di quelle supportate

Questo errore in Machine Learning viene generato quando sono definite troppe porte di input o output in una definizione xml del modulo personalizzato.

Risoluzione: Assicurarsi che il numero massimo di porte di input e output definite nella definizione xml del modulo personalizzato non superi il numero massimo di porte supportate.

Messaggi di eccezione
Numero di porte di input o output supportate superato.
Superato il numero di porte '{0}' supportate. Il numero massimo consentito di porte '{0}' è '{1}'.

Errore 0109

Viene generato quando in un file di definizione del modulo viene definito non correttamente un selettore di colonna

Questo errore in Machine Learning viene generato quando la sintassi per un argomento di selezione colonne contiene un errore in una definizione xml del modulo personalizzato.

Risoluzione: Questo errore viene generato quando la sintassi per un argomento di selezione colonne contiene un errore in una definizione xml del modulo personalizzato.

Messaggi di eccezione
Sintassi non supportata per il selettore di colonna.

Errore 0110

Generato quando un file di definizione del modulo definisce un selettore di colonne che fa riferimento a un ID porta di input non esistente

Questo errore in Machine Learning viene generato quando la proprietà portId all'interno dell'elemento Properties di un oggetto Arg di tipo ColumnPicker non corrisponde al valore ID di una porta di input.

Risoluzione: Assicurarsi che la proprietà portId corrisponda al valore ID di una porta di input definita nella definizione xml del modulo personalizzato.

Messaggi di eccezione
Selezione colonne fa riferimento a un ID porta di input non esistente.
Il selettore di colonne fa riferimento a un ID porta di input non esistente '{0}'.

Errore 0111

Viene generato quando in un file di definizione del modulo viene definito una proprietà non valida

Questo errore in Machine Learning viene generato quando viene assegnata una proprietà non valida a un elemento nella definizione XML del modulo personalizzato.

Risoluzione: Assicurarsi che la proprietà sia supportata dall'elemento modulo personalizzato.

Messaggi di eccezione
La definizione della proprietà non è valida.
La definizione della proprietà '{0}' non è valida.

Errore 0112

Viene generato quando non è possibile analizzare un file di definizione del modulo

Questo errore in Machine Learning viene generato quando si verifica un errore nel formato xml che impedisce l'analisi della definizione XML del modulo personalizzato come file XML valido.

Risoluzione: Assicurarsi che ogni elemento venga aperto e chiuso correttamente. Assicurarsi che non siano presenti errori nella formattazione XML.

Messaggi di eccezione
Non è stato possibile analizzare un file di definizione del modulo.
Impossibile analizzare il file di definizione del modulo '{0}'.

Errore 0113

Viene generato quando un file di definizione del modulo contiene errori

Questo errore in Machine Learning viene generato quando è possibile analizzare il file di definizione XML del modulo personalizzato, ma contiene errori, ad esempio la definizione degli elementi non supportati dai moduli personalizzati.

Risoluzione: Assicurarsi che il file di definizione del modulo personalizzato definisca elementi e proprietà supportati dai moduli personalizzati.

Messaggi di eccezione
Il file di definizione del modulo contiene errori.
Il file di definizione del modulo '{0}' contiene errori.
Il file di definizione del modulo '{0}' contiene errori. {1}

Errore 0114

Viene generato quando la compilazione di un modulo personalizzato non riesce.

Questo errore in Machine Learning viene generato quando una compilazione del modulo personalizzata ha esito negativo. Ciò si verifica quando si verificano uno o più errori personalizzati correlati al modulo durante l'aggiunta del modulo personalizzato. Gli errori aggiuntivi vengono segnalati all'interno di questo messaggio di errore.

Risoluzione: Risolvere gli errori segnalati all'interno di questo messaggio di eccezione.

Messaggi di eccezione
Compilazione del modulo personalizzato non riuscita.
Compilazioni di moduli personalizzati non riuscite con errori: {0}

Errore 0115

Generato quando uno script predefinito del modulo personalizzato ha un'estensione non supportata.

Questo errore in Machine Learning si verifica quando si specifica uno script per un modulo personalizzato che usa un'estensione nome file sconosciuta.

Risoluzione: Verificare il formato del file e l'estensione del nome file di tutti i file di script inclusi nel modulo personalizzato.

Messaggi di eccezione
Estensione non supportata per lo script predefinito.
Estensione {0} file non supportata per lo script predefinito.

Errore 0121

Generato quando SQL scritture non riesce perché la tabella non è scrivibile

Questo errore in Machine Learning viene generato quando si usa il modulo Esporta dati per salvare i risultati in una tabella in un database SQL e la tabella non può essere scritta in. In genere, verrà visualizzato questo errore se il modulo Esporta dati stabilisce correttamente una connessione con l'istanza di SQL Server, ma non è in grado di scrivere il contenuto del set di dati di Azure ML nella tabella.

Risoluzione:

• Aprire il riquadro Proprietà del modulo Esporta dati e verificare che i nomi di database e tabella vengano immessi correttamente.
• Esaminare lo schema del set di dati esportato e assicurarsi che i dati siano compatibili con la tabella di destinazione.
• Verificare che l'accesso SQL associato al nome utente e alla password disponga delle autorizzazioni per la scrittura nella tabella.
• Se l'eccezione contiene informazioni aggiuntive sugli errori da SQL Server, usare tali informazioni per apportare correzioni.

Messaggi di eccezione
Connesso al server. Non è possibile scrivere nella tabella.
Impossibile scrivere nella tabella Sql: {0}

Errore 0122

Si verifica un'eccezione se sono specificate più colonne di peso e ne è consentita una sola.

Questo errore in Machine Learning si verifica quando sono state selezionate troppe colonne come colonne di peso.

Risoluzione: Esaminare il set di dati di input e i relativi metadati. Assicurarsi che solo una colonna contenga pesi.

Messaggi di eccezione
Multiple weight columns are specified.

Errore 0123

Si verifica un errore se la colonna di vettori viene specificata nella colonna delle etichette.

Questo errore in Machine Learning si verifica se si usa un vettore come colonna etichetta.

Risoluzione: Modificare il formato dati della colonna se necessario oppure scegliere una colonna diversa.

Messaggi di eccezione
La colonna di vettori viene specificata come colonna di etichette.

Errore 0124

L'eccezione si verifica se le colonne non numeriche vengono specificate come colonna di peso.

Risoluzione:

Messaggi di eccezione
Una colonna non numerica viene specificata come colonna di ponderazione.

Errore 0125

Generato quando lo schema per più set di dati non corrisponde.

Risoluzione:

Messaggi di eccezione
Dataset schema does not match. (Lo schema del set di dati non corrisponde.)

Errore 0126

Si verifica un'eccezione se l'utente specifica un dominio SQL non supportato in Azure ML.

Questo errore viene generato quando l'utente specifica un dominio SQL non supportato in Machine Learning. Questo errore verrà visualizzato se si sta tentando di connettersi a un server di database in un dominio non incluso nell'elenco degli elementi consentiti. Attualmente, i domini di SQL consentiti sono: ".database.windows.net", ".cloudapp.net" o ".database.secure.windows.net". Ovvero, il server deve essere un server Azure SQL o un server in una macchina virtuale in Azure.

Risoluzione: Esaminare il modulo. Verificare che il server di database SQL appartenga a uno dei domini accettati:

• .database.windows.net

• .cloudapp.net

• .database.secure.windows.net

Messaggi di eccezione
Dominio SQL non supportato.
Il dominio {0} SQL non è attualmente supportato in Azure ML

Errore 0127

Le dimensioni in pixel dell'immagine superano il limite consentito

Questo errore si verifica se si leggono immagini di un set di dati dell'immagine per la classificazione e le immagini sono più grandi di quelle che il modello può gestire.

Risoluzione: Per altre informazioni sulle dimensioni dell'immagine e altri requisiti, vedere gli argomenti seguenti:

• Importare immagini

• Pretrained Cascade Image Classification

Messaggi di eccezione
Image pixel size exceeds allowed limit. (Le dimensioni in pixel dell'immagine superano il limite consentito.)
Le dimensioni dei pixel dell'immagine nel file '{0}' superano il limite consentito: '{1}'

Errore 0128

Il numero di probabilità condizionali per le colonne di categoria supera il limite.

Risoluzione:

Messaggi di eccezione
Number of conditional probabilities for categorical columns exceeds limit. (Il numero di probabilità condizionali per le colonne di categoria supera il limite.)
Number of conditional probabilities for categorical columns exceeds limit. Le colonne '{0}' e '{1}' sono la coppia problematica.

Errore 0129

Il numero di colonne nel set di dati supera il limite consentito.

Risoluzione:

Messaggi di eccezione
Number of columns in the dataset exceeds allowed limit. (Il numero di colonne nel set di dati supera il limite consentito.)
Il numero di colonne nel set di dati in '{0}' è superiore a quello consentito.'
Il numero di colonne nel set di dati in '{0}' supera il limite consentito di '{1}'.
Il numero di colonne nel set di dati in '{0}' supera il limite consentito '{1}' di '{2}'.

Errore 0130

L'eccezione si verifica quando tutte le righe nel set di dati di training contengono valori mancanti.

Ciò si verifica quando alcune colonne nel set di dati di training sono vuote.

Risoluzione: Usare il modulo Clean Missing Data (Pulisci dati mancanti ) per rimuovere le colonne con tutti i valori mancanti.

Messaggi di eccezione
Tutte le righe nel set di dati di training contengono valori mancanti. È consigliabile usare il modulo Clean Missing Data (Pulisci dati mancanti) per rimuovere i valori mancanti.

Errore 0131

L'eccezione si verifica se uno o più set di dati in un file ZIP non possono essere decompressi e registrati correttamente

Questo errore viene generato quando uno o più set di dati in un file ZIP non possono essere decompressi e letti correttamente. Questo errore verrà visualizzato se la decompressione ha esito negativo perché il file ZIP stesso o uno dei file in esso contenuti è danneggiato oppure si verifica un errore di sistema durante il tentativo di decomprimere ed espandere un file.

Risoluzione: Usare i dettagli forniti nel messaggio di errore per determinare come procedere.

Messaggi di eccezione
Upload set di dati compressi non riusciti
Set di dati {0} compresso non riuscito con il messaggio seguente: {1}
Set di dati {0} compresso non riuscito con un'eccezione con messaggio {1} : {2}

Errore 0132

Non è stato specificato alcun nome di file per la decompressione; sono stati trovati più file nel file ZIP.

Questo errore viene generato quando non è stato specificato alcun nome file per la decompressione; sono stati trovati più file nel file ZIP. Questo errore verrà visualizzato se il file .zip contiene più file compressi, ma non è stato specificato un file per l'estrazione nel set di dati per decomprimere la casella di testo, nel riquadro Proprietà del modulo. Attualmente, è possibile estrarre un solo file ogni volta che viene eseguito il modulo.

Risoluzione: Il messaggio di errore fornisce un elenco dei file trovati nel file .zip. Copiare il nome del file desiderato e incollarlo nella casella di testo Decomprimere il set di dati.

Messaggi di eccezione
Il file ZIP contiene più file; è necessario specificare il file da espandere.
Il file contiene più file. Specificare il file da espandere. Sono stati trovati i file seguenti: {0}

Errore 0133

Il file specificato non è stato trovato nel file ZIP

Questo errore viene generato quando il nome file immesso nel campo Set di dati da decomprimere del riquadro Proprietà non corrisponde al nome di alcun file trovato nel file .zip. Le cause più comuni di questo errore sono un errore di digitazione o la ricerca nel file di archivio errato per l'espansione del file.

Risoluzione: Esaminare il modulo. Se il nome del file che si intende decomprimere viene visualizzato nell'elenco dei file trovati, copiare il nome del file e incollarlo nella casella Della proprietà Decomprimi nel set di dati. Se nell'elenco non viene visualizzato il nome file desiderato, verificare di avere il file di .zip corretto e il nome corretto per il file desiderato.

Messaggi di eccezione
Il file specificato non è stato trovato nel file ZIP.
Impossibile trovare il file specificato. Sono stati trovati i file seguenti: {0}

Errore 0134

L'eccezione si verifica quando la colonna etichetta è mancante o ha un numero insufficiente di righe con etichetta.

Questo errore si verifica quando il modulo richiede una colonna di etichetta, ma non ne è stata inclusa una nella selezione delle colonne oppure nella colonna etichetta mancano troppi valori.

Questo errore può verificarsi anche quando un'operazione precedente modifica il set di dati in modo che le righe non sufficienti siano disponibili per un'operazione downstream. Si supponga, ad esempio, di usare un'espressione nel modulo Crea partizioni ed esegui campionamenti per dividere un set di dati in base ai valori. Se non vengono trovate corrispondenze per l'espressione, uno dei set di dati risultante dalla partizione sarà vuoto.

Risoluzione:

Se si include una colonna etichetta nella selezione della colonna ma non viene riconosciuta, usare il modulo Modifica metadati per contrassegnarlo come colonna etichetta.

Usare il modulo Riepilogo dati per generare un report che mostra il numero di valori mancanti in ogni colonna. A questo punto, è possibile usare il modulo Pulisci dati mancanti per rimuovere le righe con valori mancanti nella colonna etichetta.

Controllare i set di dati di input per assicurarsi che contengano dati validi e un numero sufficiente di righe che soddisfi i requisiti dell'operazione. Molti algoritmi genereranno un messaggio di errore se richiedono un numero minimo di righe di dati, ma i dati contengono solo poche righe o solo un'intestazione.

Messaggi di eccezione
Exception occurs when label column is missing or has insufficient number of labeled rows. (L'eccezione si verifica quando la colonna etichetta è mancante o ha un numero insufficiente di righe con etichetta.)
L'eccezione si verifica quando la colonna dell'etichetta è mancante o ha righe con etichetta inferiore a {0}

Errore 0135

È supportato solo il cluster basato su centroid.

Risoluzione: Questo messaggio di errore potrebbe verificarsi se si è tentato di valutare un modello di clustering basato su un algoritmo di clustering personalizzato che non usa i centroidi per inizializzare il cluster.

È possibile usare Evaluate Model per valutare i modelli di clustering basati sul modulo K-Means Clustering . Per gli algoritmi personalizzati, usare il modulo Execute R Script (Esegui script R) per creare uno script di valutazione personalizzato.

Messaggi di eccezione
È supportato solo il cluster basato su centroid.

Errore 0136

Non è stato restituito alcun nome di file; non è possibile elaborare il file di conseguenza.

Risoluzione:

Messaggi di eccezione
Non è stato restituito alcun nome di file; non è possibile elaborare il file di conseguenza.

Errore 0137

Archiviazione di Azure SDK ha rilevato un errore durante la conversione tra le proprietà della tabella e le colonne del set di dati durante la lettura o la scrittura.

Risoluzione:

Messaggi di eccezione
Errore di conversione tra la proprietà di archiviazione tabelle di Azure e la colonna del set di dati.
Errore di conversione tra la proprietà di archiviazione tabelle di Azure e la colonna del set di dati. Informazioni aggiuntive: {0}

Errore 0138

La memoria non è sufficiente, non è possibile completare l'esecuzione del modulo. Il sottocampionando del set di dati può aiutare a risolvere il problema.

Questo errore si verifica quando il modulo in esecuzione richiede una quantità di memoria superiore a quella disponibile nel contenitore di Azure. Questa situazione può verificarsi se si usa un set di dati di grandi dimensioni e l'operazione corrente non può essere contenuta nella memoria.

Risoluzione: Se si sta tentando di leggere un set di dati di grandi dimensioni e non è possibile completare l'operazione, il sottocampionando del set di dati potrebbe essere utile.

Se si usano le visualizzazioni nei set di dati per controllare la cardinalità delle colonne, vengono campionate solo alcune righe. Per ottenere un report completo, usare Riepiloga dati. È anche possibile usare la trasformazione Applica SQL per verificare il numero di valori univoci in ogni colonna.

A volte i caricamenti temporanei possono causare questo errore. Il supporto del computer cambia anche nel tempo. Per una descrizione delle dimensioni dei dati supportate, vedere le domande frequenti Machine Learning.

Provare a usare l'analisi dei componenti principale o uno dei metodi di selezione delle funzionalità forniti per ridurre il set di dati a un set più piccolo di colonne più avanzate delle funzionalità: Selezione funzionalità

Messaggi di eccezione
Memory has been exhausted, unable to complete running of module. (La memoria non è sufficiente, non è possibile completare l'esecuzione del modulo.)

Errore 0139

L'eccezione si verifica quando non è possibile convertire una colonna in un altro tipo.

Questo errore si verifica in Machine Learning quando si tenta di convertire una colonna in un tipo di dati diverso, ma tale tipo non è supportato dall'operazione corrente o dal modulo.

L'errore potrebbe essere visualizzato anche quando un modulo tenta di convertire in modo implicito i dati per soddisfare i requisiti del modulo corrente, ma la conversione non è possibile.

Risoluzione:

1. Esaminare i dati di input e determinare il tipo di dati esatto della colonna da usare e il tipo di dati della colonna che genera l'errore. A volte si potrebbe pensare che il tipo di dati sia corretto, ma si ritiene che un'operazione upstream abbia modificato il tipo di dati o l'utilizzo di una colonna. Usare il modulo Edit Metadata (Modifica metadati ) per reimpostare i metadati della colonna sullo stato originale.

2. Esaminare la pagina della Guida del modulo per verificare i requisiti per l'operazione specificata. Determinare i tipi di dati supportati dal modulo corrente e l'intervallo di valori supportati.

3. Se i valori devono essere troncati, arrotondati o outlier rimossi, usare i moduli Applica operazione matematica o Valori clip per apportare correzioni.

4. Valutare se è possibile convertire o eseguire il cast della colonna in un tipo di dati diverso. Tutti i moduli seguenti offrono una notevole flessibilità e potenza per la modifica dei dati:

   • Apply SQL Transformation (Applica trasformazione SQL)
   • Execute R Script (Esegui script R)
   • Eseguire lo script Python.

Messaggi di eccezione
Not allowed conversion. (Conversione non consentita.)
Impossibile convertire: {0}.
Impossibile convertire: {0}, nella riga {1}.
Impossibile convertire la colonna di tipo {0} in colonna di tipo {1} nella riga {2}.
Impossibile convertire la colonna "{2}" di tipo {0} in colonna di tipo {1} nella riga {3}.
Impossibile convertire la colonna "{2}" di tipo {0} nella colonna "{3}" di tipo {1} nella riga {4}.

Errore 0140

L'eccezione si verifica se l'argomento del set di colonne passato non contiene altre colonne ad eccezione della colonna label.

Questo errore si verifica se è stato connesso un set di dati a un modulo che richiede più colonne, incluse le funzionalità, ma è stata specificata solo la colonna etichetta.

Risoluzione: Scegliere almeno una colonna di funzionalità da includere nel set di dati.

Messaggi di eccezione
Il set di colonne specificato non contiene altre colonne ad eccezione della colonna label.

Errore 0141

L'eccezione si verifica se il numero di colonne numeriche selezionate e di valori univoci nelle colonne di categoria e stringa è troppo piccolo.

Questo errore si verifica in Machine Learning quando nella colonna selezionata non sono presenti valori univoci sufficienti per eseguire l'operazione.

Risoluzione: Alcune operazioni eseguono operazioni statistiche sulle colonne funzionalità e di categoria. Se non c'è un numero sufficiente di valori, l'operazione potrebbe non riuscire o restituire un risultato non valido. Controllare il set di dati per verificare il numero di valori presenti nelle colonne fature e label e determinare se l'operazione che si sta tentando di eseguire è statisticamente valida.

Se il set di dati di origine è valido, è anche possibile controllare se alcune manipolazione dei dati upstream o operazioni sui metadati hanno modificato i dati e rimosso alcuni valori.

Se le operazioni upstream includono la suddivisione, il campionamento o il ricampionamento, verificare che gli output contengano il numero previsto di righe e valori.

Messaggi di eccezione
The number of the selected numerical columns and unique values in the categorical and string columns is too small. (Il numero di colonne numeriche selezionate e di valori univoci nelle colonne di categoria e stringa è troppo piccolo.)
Il numero totale delle colonne numeriche selezionate e dei valori univoci nelle colonne categoriche e stringa (attualmente {0}) deve essere almeno {1}

Errore 0142

L'eccezione si verifica quando il sistema non può caricare il certificato per l'autenticazione.

Risoluzione:

Messaggi di eccezione
Impossibile caricare il certificato.
Impossibile caricare il certificato {0} . L'identificazione personale è {1}.

Errore 0143

Non è possibile analizzare l'URL fornito dall'utente che deve essere da GitHub.

Questo errore si verifica in Machine Learning quando si specifica un URL non valido e il modulo richiede un URL di GitHub valido.

Risoluzione: Verificare che l'URL faccia riferimento a un repository GitHub valido. Altri tipi di sito non sono supportati.

Messaggi di eccezione
L'URL non proviene da github.com.
L'URL non proviene da github.com: {0}

Errore 0144

L'URL GitHub fornito dall'utente manca la parte prevista.

Questo errore si verifica in Machine Learning quando si specifica un'origine file GitHub utilizzando un formato URL non valido.

Risoluzione: Verificare che l'URL del repository GitHub sia valido e termini con \blob\ o \tree\.

Messaggi di eccezione
Impossibile analizzare GitHub URL.
Impossibile analizzare GitHub URL (previsto '\blob\' o '\tree\' dopo il nome del repository):{0}

Errore 0145

Impossibile creare la directory di replica per qualche motivo.

Questo errore si verifica in Machine Learning quando il modulo non riesce a creare la directory specificata.

Risoluzione:

Messaggi di eccezione
Impossibile creare la directory di replica.

Errore 0146

Quando i file utente vengono decompressi nella directory locale, il percorso combinato potrebbe essere troppo lungo.

Questo errore si verifica in Machine Learning quando si estraggono file, ma alcuni nomi di file sono troppo lunghi quando viene decompresso.

Risoluzione: Modificare i nomi di file in modo che il percorso combinato e il nome file non siano più di 248 caratteri.

Messaggi di eccezione
Il percorso di replica è più lungo di 248 caratteri, abbreviare il nome o il percorso dello script.

Errore 0147

Impossibile scaricare roba da GitHub per qualche motivo

Questo errore si verifica in Machine Learning quando non è possibile leggere o scaricare i file specificati da GitHub.

Risoluzione: Il problema potrebbe essere temporaneo; è possibile provare ad accedere ai file in un'altra volta. In alternativa, verificare di disporre delle autorizzazioni necessarie e che l'origine sia valida.

Messaggi di eccezione
GitHub errore di accesso.
GitHub errore di accesso. {0}

Errore 0148

Problemi di accesso non autorizzati durante l'estrazione dei dati o la creazione di directory.

Questo errore si verifica in Machine Learning quando si tenta di creare una directory o leggere i dati dall'archiviazione ma non si dispone delle autorizzazioni necessarie.

Risoluzione:

Messaggi di eccezione
Eccezione di accesso non autorizzato durante l'estrazione dei dati.

Errore 0149

Il file utente non esiste all'interno di GitHub bundle.

Questo errore si verifica in Machine Learning quando non è possibile trovare il file specificato.

Risoluzione:

Messaggi di eccezione
GitHub file non viene trovato.
GitHub file non è stato trovato.{0}

Errore 0150

Non è stato possibile decomprimere gli script provenienti dal pacchetto utente, probabilmente a causa di un conflitto con GitHub file.

Questo errore si verifica in Machine Learning quando non è possibile estrarre uno script, in genere quando è presente un file con lo stesso nome.

Risoluzione:

Messaggi di eccezione
Impossibile decomprimere il bundle; possibile collisione di nomi con GitHub file.

Errore 0151

Errore durante la scrittura nell'archiviazione cloud. Verificare l'URL.

Questo errore si verifica in Machine Learning quando il modulo tenta di scrivere dati nell'archiviazione cloud, ma l'URL non è disponibile o non è valido.

Soluzione: controllare l'URL e verificare che sia scrivibile.

Messaggi di eccezione
Errore durante la scrittura nell'archiviazione cloud (probabilmente un URL non valido).
Errore durante la scrittura nell'archiviazione cloud: {0}. Controllare l'URL.

Errore 0152

Il tipo di cloud di Azure è stato specificato in modo non corretto nel contesto del modulo.

Messaggi di eccezione
Tipo di cloud di Azure non valido
Tipo di cloud di Azure non valido: {0}

Errore 0153

L'endpoint di archiviazione specificato non è valido.

Messaggi di eccezione
Tipo di cloud di Azure non valido
Punto finale Archiviazione non valido:{0}

Errore 0154

Impossibile risolvere il nome del server specificato

Messaggi di eccezione
Impossibile risolvere il nome del server specificato
Impossibile risolvere il server {0}specificato con estensione documents.azure.com

Errore 0155

Il client DocDb ha generato un'eccezione

Messaggi di eccezione
Il client DocDb ha generato un'eccezione
Client DocDb: {0}

Errore 0156

Risposta non valida per il server HCatalog.

Messaggi di eccezione
Risposta non valida per il server HCatalog. Verificare che tutti i servizi siano in esecuzione.
Risposta non valida per il server HCatalog. Verificare che tutti i servizi siano in esecuzione. Dettagli errore: {0}

Errore 0157

Si è verificato un errore durante la lettura da Azure Cosmos DB a causa di schemi di documento incoerenti o diversi. Lettore richiede che tutti i documenti abbiano lo stesso schema.

Messaggi di eccezione
Documenti rilevati con schemi diversi. Assicurarsi che tutti i documenti abbiano lo stesso schema

Errore 1000

Eccezione interna della libreria.

Questo errore viene generato per acquisire errori interni del motore che altrimenti non verrebbero gestiti. La cause di questo errore potrebbero quindi variare a seconda del modulo che ha generato l'errore.

Per ottenere altre informazioni, è consigliabile pubblicare il messaggio dettagliato che accompagna l'errore nel forum Machine Learning, insieme a una descrizione dello scenario, inclusi i dati usati come input. Questo feedback consentirà classificare gli errori in ordine di priorità e di identificare i problemi più importanti da approfondire.

Messaggi di eccezione
Library exception. (Eccezione della libreria.)
Eccezione della libreria: {0}
{0} eccezione di libreria: {1}

Altre informazioni

Codici di errore del modulo

Sono necessari altri suggerimenti per la risoluzione dei problemi per Machine Learning? Provare queste risorse:

• Guida per la risoluzione dei problemi: Creazione e connessione a un'area di lavoro di Machine Learning
• domande frequenti su Machine Learning