Exceções e códigos de erro para o designer

Artigo
09/02/2024

Este artigo descreve as mensagens de erro e os códigos de exceção no designer do Azure Machine Learning para ajudar você a solucionar problemas de pipelines de machine learning.

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

Selecione o componente com falha e acesse a guia Saídas + logs. Você pode encontrar o log detalhado no arquivo 70_driver_log.txt na categoria azureml-logs.
Para obter um erro de componente detalhado, você pode verificá-lo no error_info.json na categoria module_statistics.

Veja a seguir códigos de erro de componentes no designer.

Erro 0001

Ocorrerá uma exceção se uma ou mais das colunas especificadas do conjunto de dados não puder ser encontrada.

Você receberá esse erro se uma seleção de coluna for feita para um componente, mas as colunas selecionadas não existirem no conjunto de dados de entrada. Esse erro poderá ocorrer se você tiver digitado manualmente um nome de coluna ou se o seletor de coluna tiver fornecido uma coluna sugerida que não existia em seu conjunto de dados quando você executou o pipeline.

Resolução: reveja o componente que está gerando essa exceção e valide se o nome ou os nomes da coluna estão corretos e se todas as colunas referenciadas existem.

Mensagens de Exceção
Uma ou mais colunas especificadas não foram encontradas.
A coluna com o nome ou o índice "{column_id}" não foi encontrada.
A coluna com o nome ou índice "{column_id}" não existe em "{arg_name_missing_column}".
A coluna com o nome ou índice "{column_id}" não existe em "{arg_name_missing_column}", mas existe em "{arg_name_has_column}".
Colunas com o nome ou índice "{column_names}" não foram encontradas.
Colunas com o nome ou índice "{column_names}" não existem em "{arg_name_missing_column}".
A coluna com o nome ou índice "{column_names}" não existe em "{arg_name_missing_column}", mas existe em "{arg_name_has_column}".

Erro 0002

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

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

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

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

Erro 0003

Ocorrerá uma exceção se uma ou mais das entradas for nula ou estiver vazia.

Você receberá esse erro no Azure Machine Learning se alguma entrada ou parâmetro para um componente for nulo ou vazio. Esse erro pode ocorrer, por exemplo, quando você não digitou nenhum valor para um parâmetro. Isso também poderá acontecer se você escolher um conjunto de dados que tem valores ausentes ou um conjunto de dados vazio.

Resolução:

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

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

Erro 0004

Ocorrerá uma exceção se o parâmetro for inferior ou igual ao valor específico.

Você receberá esse erro no Azure Machine Learning se o parâmetro na mensagem estiver abaixo de um valor de limite necessário para que o componente processe os dados.

Resolução: reveja o componente que está gerando a exceção e modifique o parâmetro para que ele seja maior que o valor especificado.

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

Erro 0005

Ocorrerá uma exceção se o parâmetro for menor que um valor específico.

Você receberá esse erro no Azure Machine Learning se o parâmetro na mensagem estiver abaixo ou igual a um valor de limite necessário para que o componente processe os dados.

Resolução: reveja o componente que está gerando a exceção e modifique o parâmetro para que ele seja maior ou igual ao valor especificado.

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

Erro 0006

Ocorrerá uma exceção se o parâmetro for maior ou igual ao valor especificado.

Você receberá esse erro no Azure Machine Learning se o parâmetro na mensagem for maior ou igual a um valor de limite necessário para que o componente processe os dados.

Resolução: reveja o componente que está gerando a exceção e modifique o parâmetro para que ele seja menor que o valor especificado.

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

Erro 0007

Ocorrerá uma exceção se o parâmetro for maior que um valor específico.

Você receberá esse erro no Azure Machine Learning se, nas propriedades do componente, tiver especificado um valor maior do que o permitido. Por exemplo, você pode especificar um dado que está fora do intervalo de datas com suporte ou indicar que cinco colunas serão usadas quando apenas três colunas estiverem disponíveis.

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

Resolução:

abra o componente em questão e examine as configurações de propriedade numérica.
Verifique se os valores de parâmetro estão dentro do intervalo de valores com suporte para essa propriedade.
Se o componente usar várias entradas, verifique se elas têm o mesmo tamanho.

Verifique se houve alterações no conjunto de dados ou na fonte de dados. Às vezes, um valor que funcionava com uma versão anterior dos dados falhará depois que o número de colunas, os tipos de dados da coluna ou o tamanho dos dados forem alterados.

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

Erro 0008

Ocorrerá uma exceção se o parâmetro não estiver no intervalo.

Você receberá esse erro no Azure Machine Learning se o parâmetro na mensagem estiver fora dos limites necessários para que o componente processe os dados.

Por exemplo, esse erro será exibido se você tentar usar Adicionar Linhas para combinar dois conjuntos de valores que têm um número diferente de colunas.

Resolução: reveja o componente que está gerando a exceção e modifique o parâmetro para que ele fique dentro do intervalo especificado.

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

Erro 0009

Ocorrerá uma exceção quando o nome da conta ou o nome do contêiner de armazenamento do Azure for especificado incorretamente.

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

A conta é do tipo incorreto. Não há suporte para alguns novos tipos de conta para uso com o designer do Machine Learning. Confira Importar dados para obter detalhes.
Você inseriu o nome da conta incorreto
A conta não existe mais
A senha da conta de armazenamento está incorreta ou foi alterada
Você não especificou o nome do contêiner ou o contêiner não existe
Você não especificou totalmente o caminho do arquivo (caminho para o blob)

Resolução:

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

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

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

Se o caminho completo para um blob tiver sido especificado, verifique se o caminho foi especificado como contêiner/nome do blob e se o contêiner e o blob existem na conta.

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

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

Erro 0010

Ocorrerá uma exceção se os conjuntos de dados da entrada tiverem nomes de colunas que deveriam corresponder, mas não correspondem.

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

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

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

Erro 0011

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

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

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

Resolução: modifique a seleção de coluna no componente para que ela se aplique às colunas no conjunto de dados.

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

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

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

Erro 0012

Ocorrerá uma exceção se a instância da classe não puder ser criada com o conjunto de argumentos passados.

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

Mensagens de Exceção
Modelo não treinado; treine primeiro o modelo.
Modelo não treinado ({arg_name}); use o modelo treinado.

Erro 0013

A exceção ocorrerá se o aprendizado passado para o componente for um tipo inválido.

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

Resolução:

determine o tipo de aprendiz produzido pelo componente de treinamento e o componente de pontuação apropriado para o aprendiz.

Se o modelo tiver sido treinado usando qualquer um dos componentes de treinamento especializados, conecte o modelo treinado somente ao componente de pontuação especializado correspondente.

Tipo de modelo	Componente de treinamento	Componente de pontuação
qualquer classificador	Treinar Modelo	Pontuar Modelo
qualquer modelo de regressão	Treinar Modelo	Pontuar Modelo

Mensagens de Exceção
O aprendiz de tipo inválido foi passado.
O aprendiz "{arg_name}" tem um tipo inválido.
O aprendiz "{arg_name}" tem um tipo "{learner_type}" inválido.
O aprendiz de tipo inválido foi passado. Mensagem de exceção: {exception_message}

Erro 0014

Ocorrerá uma exceção se a contagem de valores exclusivos da coluna for maior que o permitido.

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

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

Mais de 97% instâncias de uma coluna são valores exclusivos, o que significa que quase todas as categorias são diferentes umas das outras.
Uma coluna tem mais de 1.000 valores exclusivos.

Resolução:

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

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

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

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

Dica

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

Mensagens de Exceção
A quantidade de valores exclusivos da coluna é maior que o permitido.
O número de valores exclusivos na coluna: "{column_name}" é maior que o permitido.
O número de valores exclusivos na coluna: "{column_name}" excede a contagem de tupla de {limitation}.

Erro 0015

Ocorrerá uma exceção se a conexão de banco de dados tiver falhado.

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

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

Mensagens de Exceção
Erro ao estabelecer a conexão de banco de dados.
Erro ao estabelecer a conexão de banco de dados: {connection_str}.

Erro 0016

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

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

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

Mensagens de Exceção
As colunas com índice correspondente em conjuntos de dados de entrada têm tipos incompatíveis.
As colunas '{first_col_names}' são incompatíveis entre os dados de treinamento e teste.
As colunas '{first_col_names}' e '{second_col_names}' são incompatíveis.
Os tipos de elemento de coluna não são compatíveis com a coluna '{first_col_names}' (com base em zero) de conjuntos de dados de entrada ({first_dataset_names} e {second_dataset_names}, respectivamente).

Erro 0017

Ocorrerá uma exceção se uma coluna selecionada usar um tipo de dados que não é compatível com o componente atual.

Por exemplo, você poderá receber esse erro no Azure Machine Learning se a seleção de coluna incluir uma coluna com um tipo de dados que não pode ser processado pelo componente, como uma coluna de cadeia de caracteres para uma operação matemática ou uma coluna de pontuação em que uma coluna de recurso categórico é necessária.

Resolução:

identifique a coluna que é o problema.
Examine os requisitos do componente.
Modifique a coluna para que ela esteja em conformidade com os requisitos. Talvez seja necessário usar vários dos seguintes componentes para fazer alterações, dependendo da coluna e da conversão que você está tentando:
- Use Editar Metadados para alterar o tipo de dados das colunas ou para alterar o uso da coluna de recurso para numérico, categórico para não categórico e assim por diante.

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

Dica

Mensagens de Exceção
Não é possível processar a coluna do tipo atual. O tipo não é compatível com o componente.
Não é possível processar a coluna do tipo {col_type}. O tipo não é compatível com o componente.
Não é possível processar a coluna “{col_name}” do tipo {col_type}. O tipo não é compatível com o componente.
Não é possível processar a coluna “{col_name}” do tipo {col_type}. O tipo não é compatível com o componente. Nome do parâmetro: {arg_name}.

Erro 0018

Ocorrerá uma exceção se o conjunto de dados de entrada não for válido.

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

O componente requer uma coluna de rótulo, mas nenhuma coluna está marcada como um rótulo ou você ainda não selecionou uma coluna de rótulo.
O componente requer que os dados sejam categóricos, mas seus dados são numéricos.

Os dados estão no formato incorreto.
Os dados importados contêm caracteres inválidos, valores inválidos ou valores fora do intervalo.
A coluna está vazia ou contém muitos valores ausentes.

Para determinar os requisitos e como seus dados podem, examine o artigo de ajuda do componente que consumirá o conjunto de dados como entrada.

Mensagens de Exceção
O conjunto de dados não é válido.
{dataset1} contém dados inválidos.
{dataset1} e {dataset2} devem ser consistentes com columnwise.
{dataset1} contém dados inválidos, {reason}.
{dataset1} contém {invalid_data_category}. {troubleshoot_hint}
{dataset1} não é válido, {reason}. {troubleshoot_hint}

Erro 0019

Ocorrerá uma exceção se a coluna contiver valores classificados, mas isso não acontece.

Você receberá esse erro no Azure Machine Learning se os valores de coluna especificados estiverem fora de ordem.

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

Mensagens de Exceção
Os valores da coluna não estão classificados.
Os valores da coluna "{col_index}" não estão classificados.
Os valores da coluna "{col_index}" do conjunto de "{dataset}" não estão classificados.
Os valores do argumento "{arg_name}" não estão classificados na ordem "{sorting_order}".

Erro 0020

Ocorrerá uma exceção se o número de colunas em alguns dos conjuntos de dados transmitidos para o componente for muito pequeno.

Você receberá esse erro no Azure Machine Learning se não houver colunas suficientes selecionadas para um componente.

Resolução: reveja o componente e verifique se o seletor de coluna tem o número correto de colunas selecionado.

Mensagens de Exceção
O número de colunas no conjunto de dados de entrada é menor que o mínimo permitido.
O número de colunas no conjunto de dados de entrada "{arg_name}" é menor que o mínimo permitido.
O número de colunas no conjunto de dados de entrada é menor que o mínimo permitido de coluna {required_columns_count}.
O número de colunas no conjunto de dados de entrada "{arg_name}" é menor que o mínimo permitido de colunas {required_columns_count}.

Erro 0021

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

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

Resolução:

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

Mensagens de Exceção
O número de linhas no conjunto de dados de entrada é menor que o mínimo permitido.
O número de linhas no conjunto de dados de entrada é menor que o mínimo permitido de {required_row_count} linhas.
O número de linhas no conjunto de dados de entrada é menor que o mínimo permitido de {required_row_count} linhas. {reason}
O número de linhas no conjunto de dados de entrada "{arg_name}" é menor que o mínimo permitido de {required_rows_count} linhas.
O número de linhas no conjunto de dados de entrada "{arg_name}" é {actual_rows_count}, menor que o mínimo permitido de {required_row_count} linhas.
O número de linhas "{row_type}" no conjunto de dados de entrada "{arg_name}" é {actual_rows_count}, menos do que o mínimo permitido de {required_rows_count} linhas.

Erro 0022

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

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

você especifica uma coluna de rótulo ou de chave e selecionou várias colunas acidentalmente.
Você está renomeando colunas, mas forneceu mais ou menos nomes do que colunas.
O número de colunas na origem ou destino mudou foi alterado ou não corresponde ao número de colunas usado pelo componente.
Você forneceu uma lista separada por vírgulas de valores para entradas, mas o número de valores não corresponde ou não há suporte para várias entradas.

Resolução: reveja o componente e verifique a seleção de coluna para que o número correto de colunas esteja selecionado. Verifique as saídas dos componentes upstream e os requisitos das operações downstream.

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

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

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

Mensagens de Exceção
O número de colunas selecionadas no conjunto de dados de entrada não é igual ao número esperado.
O número de colunas selecionadas no conjunto de dados de entrada não é igual a {expected_col_count}.
O padrão de seleção de coluna "{selection_pattern_friendly_name}" fornece o número de colunas selecionadas no conjunto de dados de entrada diferente de {expected_col_count}.
Espera-se que o padrão de seleção de coluna "{selection_pattern_friendly_name}" forneça {expected_col_count} colunas selecionadas no conjunto de dados de entrada, mas, na verdade, {selected_col_count} colunas foi/foram fornecidas.

Erro 0023

Ocorrerá uma exceção se a coluna de destino do conjunto de dados de entrada não for válida para o componente de treinador atual.

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

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

Mensagens de Exceção
O conjunto de dados de entrada tem uma coluna de destino sem suporte.
O conjunto de dados de entrada tem uma coluna de destino "{column_index}" sem suporte.
O conjunto de dados de entrada tem uma coluna de destino "{column_index}" sem suporte para o aprendiz do tipo {learner_tpye}.

Erro 0024

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

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

Também pode ser provável que uma coluna de rótulo esteja presente no conjunto de dados, mas não seja detectada corretamente pelo Azure Machine Learning.

Resolução:

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

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

Erro 0025

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

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

Resolução: revise a entrada para o modelo avaliado e examine se ela contém uma ou mais colunas de pontuação. Caso contrário, o conjunto de dados não foi pontuado ou as colunas de pontuação foram descartadas em um componente upstream.

Mensagens de Exceção
Não há nenhuma coluna de pontuação no conjunto de dados.
Não há nenhuma coluna de pontuação em "{dataset_name}".
Não há nenhuma coluna de pontuação em "{dataset_name}" produzida por um "{learner_type}". Pontuar um conjunto de dados usando o tipo correto de aprendiz.

Erro 0026

Ocorrerá uma exceção se colunas com o mesmo nome não forem permitidas.

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

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

Mensagens de Exceção
Nomes de colunas iguais são especificados nos argumentos. Não são permitidos nomes de colunas iguais por componente.
Não são permitidos nomes de coluna iguais "{arg_name_1}" e "{arg_name_2}". Especifique nomes diferentes.

Erro 0027

Exceção ocorre no caso em que dois objetos precisam ter o mesmo tamanho, mas não são.

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

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

Se você estiver renomeando colunas, verifique se cada lista (as colunas de entrada e a lista de novos nomes) tem o mesmo número de itens.
Se você estiver unindo ou concatenando dois conjuntos de dados, verifique se eles têm o mesmo esquema.
Se você estiver unindo dois conjuntos de dados com várias colunas, verifique se as colunas-chave têm o mesmo tipo de dados e selecione a opção Permitir duplicatas e preservar a ordem das colunas na seleção.

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

Erro 0028

Ocorre uma exceção no caso em que o conjunto de colunas contém nomes de coluna duplicados e não é permitido.

No Azure Machine Learning, esse erro ocorre quando os nomes de coluna são duplicados, ou seja, não exclusivos.

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

Mensagens de Exceção
O conjunto de colunas contém nomes de coluna duplicados.
O nome "{duplicated_name}" está duplicado.
O nome "{duplicated_name}" está duplicado em "{arg_name}".
O nome "{duplicated_name}" está duplicado. Detalhes: {details}

Erro 0029

Ocorrerá uma exceção caso um URI inválido seja passado.

No Azure Machine Learning, esse erro ocorre caso um URI inválido seja passado. Você receberá esse erro se qualquer uma das seguintes condições for verdadeira:

O URI Público ou da SAS fornecido para o Armazenamento de Blobs do Azure para leitura ou gravação contém um erro.
A janela de tempo para a SAS expirou.
A URL da Web via origem HTTP representa um arquivo ou um URI de loopback.
A URL da Web via HTTP contém uma URL formatada incorretamente.
A URL não pode ser resolvida pela fonte remota.

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

Mensagens de Exceção
Um URI inválido foi passado.
O URI "{invalid_url}" é inválido.

Erro 0030

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

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

Resolução: verifique se o URI para a origem HTTP está correto e se o site está acessível no momento pela Internet.

Mensagens de Exceção
Não é possível baixar um arquivo.
Erro ao baixar o arquivo: {file_url}.

Erro 0031

Ocorrerá uma exceção se o número de colunas no conjunto de colunas for menor que o necessário.

No Azure Machine Learning, esse erro ocorrerá se o número de colunas selecionado for menor que o necessário. Você receberá esse erro se o número mínimo necessário de colunas não estiver selecionado.

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

Mensagens de Exceção
O número de colunas no conjunto de colunas é menor que o necessário.
Pelo menos {required_columns_count} colunas devem ser especificadas para o argumento de entrada "{arg_name}".
Pelo menos {required_columns_count} colunas devem ser especificadas para o argumento de entrada "{arg_name}". O número real de colunas especificadas é {input_columns_count}.

Erro 0032

Ocorrerá uma exceção se o argumento não for um número.

Você receberá esse erro no Azure Machine Learning se o argumento for double ou NaN.

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

Mensagens de Exceção
O argumento não é um número.
"{arg_name}" não é um número.

Erro 0033

Ocorrerá uma exceção se o argumento for infinito.

No Azure Machine Learning, esse erro ocorrerá se o argumento for infinito. Você receberá esse erro se o argumento for ou double.NegativeInfinity double.PositiveInfinity.

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

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

Erro 0034

Ocorrerá uma exceção se houver mais de uma classificação para um determinado par usuário-item.

No Azure Machine Learning, esse erro ocorrerá na recomendação se um par usuário-item tiver mais de um valor de classificação.

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

Mensagens de Exceção
Existe mais de uma classificação para os valores no conjunto de dados.
Mais de uma classificação para o usuário {user} e o item {item} na tabela de dados de previsão de classificação.
Mais de uma classificação para o usuário {user} e item {item} no {dataset}.

Erro 0035

Ocorrerá uma exceção se nenhum recurso for fornecido por um determinado usuário ou item.

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

Resolução:

o recomendador Matchbox tem determinados requisitos que devem ser atendidos ao usar recursos de item ou recursos de usuário. Esse erro indica que um vetor de recurso está ausente para um usuário ou item que você forneceu como entrada. Verifique se um vetor de recursos está disponível nos dados para cada usuário ou item.

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

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

Dica

A resolução não se aplica ao seu caso? Você pode enviar comentários sobre este artigo e fornecer informações sobre o cenário, incluindo o componente e o número de linhas na coluna. Usaremos essas informações para fornecer etapas de solução de problemas mais detalhadas no futuro.

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

Erro 0036

Ocorrerá uma exceção se vários vetores do recurso forem fornecidos para um determinado usuário ou item.

No Azure Machine Learning, esse erro ocorrerá se um vetor de recurso for definido mais de uma vez.

Resolução: Certifique-se de que o vetor de recursos não seja definido mais de uma vez.

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

Erro 0037

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

No Azure Machine Learning, esse erro ocorrerá se mais de uma coluna estiver selecionada para ser a nova coluna de rótulo. A maioria dos algoritmos de aprendizado supervisionados exige que uma coluna seja marcada como o destino ou o rótulo.

Resolução: selecione uma coluna como a nova coluna de rótulo.

Mensagens de Exceção
Várias colunas de rótulo estão especificadas.
Várias colunas de rótulo estão especificadas em "{dataset_name}".

Erro 0039

Ocorrerá uma exceção se uma operação tiver falhado.

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

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

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

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

Erro 0042

Ocorre uma exceção quando não é possível converter a coluna em outro tipo.

Esse erro no Azure Machine Learning ocorre quando não é possível converter a coluna no tipo especificado. Você receberá esse erro se um componente exigir um tipo de dados específico, como datetime, text, um número de ponto flutuante ou inteiro, mas não for possível converter uma coluna existente no tipo necessário.

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

Outro motivo para você receber esse erro é se tentar usar uma coluna que contém números de ponto flutuante ou muitos valores exclusivos como uma coluna categórica.

Resolução:

abra a página de ajuda do componente que gerou o erro e verifique os requisitos de tipo de dados.
Examine os tipos de dados das colunas no conjunto de dados de entrada.
Inspecione os dados originados nas chamadas fontes de dados sem esquema.
Verifique se há valores ausentes ou caracteres especiais no conjunto de dados que possam bloquear a conversão no tipo de dados desejado.
- Os tipos de dados numéricos devem ser consistentes, por exemplo, verifique se há números de ponto flutuante em uma coluna de inteiros.
- Procure cadeias de caracteres de texto ou valores NA em uma coluna de número.
- Valores boolianos podem ser convertidos em uma representação apropriada dependendo do tipo de dados necessário.
- Examinar colunas de texto em busca de caracteres não unicode, caracteres de tabulação ou caracteres de controle
- Os dados de data e hora devem ser consistentes para evitar erros de modelagem, mas a limpeza pode ser complexa devido aos muitos formatos. Considere usar componentes Executar Script Python para executar a limpeza.
Se necessário, modifique os valores no conjunto de dados de entrada para que a coluna possa ser convertida com êxito. A modificação pode incluir operações de compartimentalização, truncamento ou arredondamento, eliminação de exceções ou imputação de valores ausentes. Confira os seguintes artigos para ver alguns cenários comuns de transformação de dados no machine learning:
- Limpar Dados Ausentes
- Normalizar Dados

Dica

A resolução não está clara ou não se aplica ao seu caso? Você pode enviar comentários sobre este artigo e fornecer informações sobre o cenário, incluindo o componente e o tipo de dados da coluna. Usaremos essas informações para fornecer etapas de solução de problemas mais detalhadas no futuro.

Mensagens de Exceção
Conversão não permitida.
Não foi possível converter a coluna do tipo {type1} na coluna do tipo {type2}.
Não foi possível converter a coluna "{col_name1}" do tipo {type1} na coluna do tipo {type2}.
Não foi possível converter a coluna "{col_name1}" do tipo {type1} na coluna "{col_name2}" do tipo {type2}.

Erro 0044

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

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

Resolução: verifique se todos os valores em uma determinada coluna em ambos os conjuntos de dados que estão sendo combinados são do mesmo tipo (numérico, Booliano, categórico, cadeia de caracteres, data etc.) ou podem ser forçados para o mesmo tipo.

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

Erro 0045

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

No Azure Machine Learning, esse erro é produzido quando os tipos de elementos de dois conjuntos de valores que estão sendo combinados são diferentes.

Mensagens de Exceção
Não foi possível criar colunas com tipos de elemento mistos.
Não é possível criar a coluna com a ID "{column_id}" de tipos de elemento mistos: O tipo de dados[{row_1}, {column_id}] é "{type_1}". O tipo de dados[{row_2}, {column_id}] é "{type_2}".
Não é possível criar a coluna com a ID "{column_id}" de tipos de elemento mistos: O tipo na parte {chunk_id_1} é "{type_1}". O tipo na parte {chunk_id_2} é "{type_2}" com o tamanho da parte: {chunk_size}.

Erro 0046

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

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

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

Mensagens de Exceção
Especifique um diretório de saída válido.
Diretório: não foi possível criar {path}. Especifique um caminho válido.

Erro 0047

Ocorrerá uma exceção se o número de colunas de recurso em alguns dos conjuntos de dados transmitidos para o componente for muito pequeno.

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

Resolução: reveja o conjunto de dados de entrada para ter certeza de que há uma ou mais colunas adicionais separadas da coluna de rótulo.

Mensagens de Exceção
O número de colunas de recurso no conjunto de dados de entrada é menor que o mínimo permitido.
O número de colunas de recurso no conjunto de dados de entrada é menor que o mínimo permitido de coluna {required_columns_count}.
O número de colunas de recurso no conjunto de dados de entrada "{arg_name}" é menor que o mínimo permitido de colunas {required_columns_count}.

Erro 0048

Ocorre uma exceção no caso em que não é possível abrir um arquivo.

Esse erro no Azure Machine Learning ocorre quando não é possível abrir um arquivo para leitura ou gravação. Você pode receber esse erro por estes motivos:

O contêiner ou o arquivo (blob) não existe
O nível de acesso do arquivo ou contêiner não permite que você acesse o arquivo
O arquivo é muito grande para ser lido ou o formato dele é incorreto

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

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

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

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

Erro 0049

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

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

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

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

Erro 0052

Ocorrerá uma exceção se a chave da conta de armazenamento do Azure for especificada incorretamente.

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

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

Resolução: reveja o componente e verifique se a chave de armazenamento do Azure está correta para a conta; copie a chave novamente no portal clássico do Azure, se necessário.

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

Erro 0053

Ocorrerá uma exceção no caso de não haver nenhum recurso ou item de usuário para recomendações de matchbox.

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

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

Mensagens de Exceção
Os recursos e/ou itens do usuário são necessários, mas não foram fornecidos.

Erro 0056

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

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

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

Resolução:

examine o tipo de dados das colunas selecionadas no momento.
Verifique se as colunas selecionadas são categóricas, de rótulo ou de recurso.
Examine o tópico de ajuda do componente no qual você fez a seleção da coluna para determinar se há requisitos específicos para o tipo de dados ou o uso da coluna.
Use Editar Metadados para alterar o tipo de coluna durante essa operação. Altere o tipo de coluna de volta para o valor original dela, usando outra instância de Editar Metadados, se precisar dela para operações downstream.

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

Erro 0057

Ocorrerá uma exceção ao tentar criar um arquivo ou um blob que já existe.

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

Resolução:

Você receberá esse erro somente se tiver definido anteriormente a propriedade Modo de gravação do armazenamento de blobs do Azure como Erro. Por design, esse componente gerará um erro se você tentar gravar um conjunto de dados em um blob que já existe.

Abra as propriedades do componente e altere a propriedade Modo de gravação do Armazenamento de Blobs do Azure como Substituir.
Como alternativa, você pode digitar o nome de um blob ou arquivo de destino diferente e especificar um blob que ainda não existe.

Mensagens de Exceção
O arquivo ou blob já existe.
O arquivo ou blob "{file_path}" já existe.

Erro 0058

Esse erro no Azure Machine Learning ocorrerá se o conjunto de dados não contiver a coluna de rótulo esperada.

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

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

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

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

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

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

Erro 0059

Ocorrerá uma exceção se um índice de coluna especificado em um seletor de coluna não puder ser analisado.

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

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

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

Erro 0060

Ocorrerá uma exceção quando um intervalo de coluna fora do intervalo for especificado em um seletor de colunas.

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

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

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

Erro 0061

Ocorrerá uma exceção ao tentar adicionar uma linha a uma DataTable que tenha um número diferente de colunas da tabela.

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

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

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

Erro 0062

Ocorrerá uma exceção durante a tentativa de comparar dois modelos com tipos diferentes de aprendiz.

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

Resolução: verifique se os resultados pontuados são produzidos pelo mesmo tipo de modelo de machine learning (classificação binária, regressão, classificação de várias classes, recomendação, clustering, detecção de anomalias etc.) Todos os modelos comparados devem ter o mesmo tipo de aprendiz.

Mensagens de Exceção
Todos os modelos devem ter o mesmo tipo de aprendiz.
Tipo de aprendiz incompatível obtido: "{actual_learner_type}". Os tipos de aprendiz esperados são: "{expected_learner_type_list}".

Erro 0064

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

No Azure Machine Learning, esse erro ocorrerá se a chave de armazenamento ou o nome da conta de armazenamento do Azure for especificado incorretamente. Você receberá esse erro se inserir um nome de conta ou senha incorretos para a conta de armazenamento. Isso poderá ocorrer se você inserir manualmente o nome da conta ou a senha. Isso também poderá ocorrer se a conta tiver sido excluída.

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

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

Erro 0065

Ocorrerá uma exceção se o nome do blob do Azure estiver especificado incorretamente.

No Azure Machine Learning, esse erro ocorrerá se o nome do blob do Azure for especificado incorretamente. Você receberá o erro se:

O blob não pode ser encontrado no contêiner especificado.

Somente o contêiner foi especificado como a origem em uma solicitação de Importação de Dados quando o formato era Excel ou CSV com codificação; a concatenação do conteúdo de todos os blobs em um contêiner não é permitida com esses formatos.
Um URI SAS não contém o nome de um blob válido.

Resolução: reveja o componente que está gerando a exceção. Verifique se o blob especificado existe no contêiner na conta de armazenamento e se as permissões permitem que você veja o blob. Verifique se a entrada está no formato nome do contâiner/nome do arquivo se você tiver os formatos Excel ou CSV com codificação. Verifique se um URI SAS contém o nome de um blob válido.

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

Erro 0066

Ocorrerá uma exceção se um recurso não puder ser carregado em um Blob do Azure.

Esse erro no Azure Machine Learning ocorrerá se um recurso não puder ser carregado em um Blob do Azure. Ambos são salvos na mesma conta de armazenamento do Azure que a conta que contém o arquivo de entrada.

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

Mensagens de Exceção
Não foi possível carregar o recurso no armazenamento do Azure.
Não foi possível carregar o arquivo "{source_path}" no armazenamento do Azure como "{dest_path}".

Erro 0067

Ocorrerá uma exceção se um conjunto de dados tiver um número diferente de colunas que o esperado.

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

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

Mensagens de Exceção
Número de colunas na tabela de dados inesperado.
Número de colunas no conjunto de dados "{dataset_name}" inesperado.
Esperavam-se colunas "{expected_column_count}", mas foram encontradas colunas "{actual_column_count}" em vez disso.
No conjunto de dados de entrada "{dataset_name}", esperavam-se colunas "{expected_column_count}", mas foram localizadas colunas "{actual_column_count}" em vez disso.

Erro 0068

Ocorrerá uma exceção se o script do Hive especificado não estiver correto.

No Azure Machine Learning, esse erro ocorrerá se houver erros de sintaxe em um script SQL do Hive ou se o interpretador do Hive encontrar um erro ao executar a consulta ou o script.

Resolução:

a mensagem de erro do Hive normalmente é informada no Log de Erros para que você possa executar uma ação com base no erro específico.

Abra o componente e inspecione se há erros na consulta.
Verifique se a consulta funciona corretamente fora do Azure Machine Learning fazendo logon no console do Hive do seu cluster Hadoop e executando a consulta.
Tente inserir comentários em seu script do Hive em uma linha separada em vez de misturar instruções executáveis e comentários em uma linha.

Recursos

Confira os seguintes artigos para obter ajuda com consultas do Hive para machine learning:

Mensagens de Exceção
O script do Hive está incorreto.

Erro 0069

Ocorrerá uma exceção se o script SQL especificado não estiver correto.

Esse erro no Azure Machine Learning ocorrerá se o script SQL especificado tiver problemas de sintaxe ou se as colunas ou a tabela especificada no script não forem válidas.

Você receberá esse erro se o mecanismo SQL encontrar algum erro ao executar a consulta ou o script. A mensagem de erro do SQL normalmente é informada no Log de Erros para que você possa executar uma ação com base no erro específico.

Resolução: reveja o componente e inspecione se há erros na consulta SQL.

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

Se houver uma mensagem gerada pelo SQL relatada pela exceção do componente, tome medidas com base no erro relatado. Por exemplo, as mensagens de erro às vezes incluem diretrizes específicas sobre o erro provável:

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

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

Erro 0070

Ocorre uma exceção ao tentar acessar a tabela inexistente do Azure.

Esse erro no Azure Machine Learning ocorre quando você tenta acessar uma tabela inexistente do Azure. Você receberá esse erro se especificar uma tabela no armazenamento do Azure, que não existe ao ler ou gravar no Armazenamento de Tabelas do Azure. Isso poderá acontecer se você digitar incorretamente o nome da tabela desejada ou se houver uma incompatibilidade entre o nome de destino e o tipo de armazenamento. Por exemplo, você pretendeu ler em uma tabela, mas inseriu o nome de um blob.

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

Mensagens de Exceção
Não existe tabela do Azure.
Não existe a tabela "{table_name}" do Azure.

Erro 0072

Ocorrerá uma exceção caso a conexão atinja o tempo limite.

Esse erro no Azure Machine Learning ocorre quando uma conexão atinge o tempo limite. Você receberá esse erro se houver problemas de conectividade com a origem ou o destino dos dados, como conectividade lenta com a Internet, ou se o conjunto de dados for grande e/ou se a consulta SQL a ser lida nos dados executar um processamento complicado.

Resolução: determine se há problemas no momento com conexões lentas com o armazenamento do Azure ou com a Internet.

Mensagens de Exceção
Ocorreu um tempo limite de conexão.

Erro 0073

Ocorrerá uma exceção se ocorrer um erro durante a conversão de uma coluna em outro tipo.

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

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

Mensagens de Exceção
Falha ao converter a coluna.
Falha ao converter a coluna em {target_type}.

Erro 0075

Ocorrerá uma exceção quando uma função de agrupamento inválida for usada ao quantizar um conjunto de dados.

Esse erro no Azure Machine Learning ocorre quando você está tentando armazenar dados usando um método sem suporte ou quando as combinações de parâmetros são inválidas.

Resolução:

o tratamento de erro para esse evento foi introduzido em uma versão anterior do Azure Machine Learning que permitia mais personalização dos métodos compartimentalização. No momento, todos os métodos de compartimentalização são baseados em uma seleção de uma lista suspensa, portanto, tecnicamente, não deve mais ser possível obter esse erro.

Mensagens de Exceção
Função de compartimentalização inválida usada.

Erro 0077

Ocorrerá uma exceção quando o modo de gravação do arquivo blob desconhecido for passado.

No Azure Machine Learning, esse erro ocorrerá se um argumento inválido for passado nas especificações para uma origem ou destino do arquivo de blob.

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

Mensagens de Exceção
Modo de gravação de blob sem suporte.
Modo de gravação de blob sem suporte: {blob_write_mode}.

Erro 0078

Ocorrerá uma exceção quando a opção HTTP para Importar Dados receber um código de status 3xx indicando o redirecionamento.

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

Resolução: se o site for confiável, insira a URL de redirecionamento diretamente.

Mensagens de Exceção
Redirecionamento de HTTP não permitido.

Erro 0079

Ocorrerá uma exceção se o nome do contêiner de armazenamento do Azure estiver especificado incorretamente.

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

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

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

Erro 0080

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

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

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

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

Erro 0081

Ocorrerá uma exceção no componente PCA se o número de dimensões a serem reduzidas for igual ao número de colunas de recurso no conjunto de dados de entrada, que contém pelo menos uma coluna de recurso esparsa.

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

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

Mensagens de Exceção
Para um conjunto de dados que contenha colunas de recursos esparsas, o número de dimensões para o qual reduzir deve ser menor que o número de colunas de recurso.

Erro 0082

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

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

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

Mensagens de Exceção
Não foi possível desserializar o modelo porque ele provavelmente foi serializado com um formato de serialização mais antigo. Treine novamente e salve o modelo outra vez.

Erro 0083

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

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

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

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

Erro 0084

Ocorrerá uma exceção quando as pontuações produzidas com base em um script R forem avaliadas. No momento, não há suporte para isso.

No Azure Machine Learning, esse erro ocorrerá se você tentar usar um dos componentes para avaliar um modelo sem saída de um script R que contém pontuações.

Resolução:

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

Erro 0085

Ocorrerá uma exceção quando a avaliação de script falhar com um erro.

Esse erro no Azure Machine Learning ocorre quando você está executando um script personalizado que contém erros de sintaxe.

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

Mensagens de Exceção
Erro durante a avaliação do script.
Ocorreu o seguinte erro durante a avaliação do script. Veja o log de saída para obter mais informações: ---------- Início da mensagem de erro do interpretador {script_language} ---------- {message} ---------- Fim da mensagem de erro do interpretador {script_language} ----------

Erro 0090

Ocorrerá uma exceção quando a criação da tabela do Hive falhar.

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

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

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

Erro 0102

Lançado quando um arquivo ZIP não pode ser extraído.

Esse erro no Azure Machine Learning ocorre quando você está importando um pacote compactado com a extensão .zip, mas o pacote não é um arquivo zip ou o arquivo não usa um formato zip com suporte.

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

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

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

Mensagens de Exceção
O arquivo ZIP fornecido não está no formato correto.

Erro 0105

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

Esse erro no Azure Machine Learning é produzido quando você cria uma definição xml de componente personalizado e o tipo de um parâmetro ou argumento na definição não corresponde a um tipo com suporte.

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

Mensagens de Exceção
Tipo de parâmetro sem suporte.
Tipo de parâmetro '{0}' especificado sem suporte.

Erro 0107

Lançado quando um arquivo de definição de componente define um tipo de saída não suportado.

Esse erro no Azure Machine Learning é produzido quando o tipo de uma porta de saída em uma definição xml de componente personalizado não corresponde a um tipo com suporte.

Resolução: verifique se a propriedade de tipo de um elemento Saída no arquivo de definição xml do componente personalizado é um tipo com suporte.

Mensagens de Exceção
Tipo de saída sem suporte.
Tipo de saída '{output_type}' especificado sem suporte.

Erro 0125

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

Resolução:

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

Erro 0127

O tamanho de pixel da imagem excede o limite permitido.

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

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

Erro 0128

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

Resolução:

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

Erro 0129

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

Resolução:

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

Erro 0134

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

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

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

Resolução:

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

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

Verifique seus conjuntos de dados de entrada para verificar se eles contêm dados válidos e linhas suficientes para atender aos requisitos da operação. Muitos algoritmos geram uma mensagem de erro se exigirem um número mínimo de linhas de dados, mas os dados contêm apenas algumas linhas ou apenas um cabeçalho.

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

Erro 0138

A memória foi esgotada; não é possível concluir a execução do componente. A redução do conjunto de dados pode ajudar a minimizar o problema.

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

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

Mensagens de Exceção
A memória foi esgotada; não é possível concluir a execução do componente.
A memória foi esgotada; não é possível concluir a execução do componente. Detalhes: {details}

Erro 0141

Ocorrerá uma exceção se o número das colunas numéricas selecionadas e os valores exclusivos nas colunas categóricas e de cadeia de caracteres forem muito pequenos.

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

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

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

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

Mensagens de Exceção
O número das colunas numéricas e de valores exclusivos selecionados nas colunas categóricas e de cadeia de caracteres é pequeno demais.
O número total das colunas numéricas e valores exclusivos selecionados nas colunas categóricas e de cadeia de caracteres (no momento, {actual_num}) deve ser pelo menos {lower_boundary}.

Erro 0154

Ocorrerá uma exceção quando um usuário tentar unir dados em colunas de chave com tipo de coluna incompatível.

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

Erro 0155

Ocorre uma exceção quando os nomes de coluna do conjunto de dados não são string.

Mensagens de Exceção
O nome da coluna dataframe deve ser do tipo cadeia de caracteres. Nomes de coluna não são cadeia de caracteres.
O nome da coluna dataframe deve ser do tipo cadeia de caracteres. Os nomes de coluna {column_names} não são cadeias de caracteres.

Erro 0156

Ocorrerá uma exceção quando houver falha na leitura de dados do Banco de Dados SQL do Azure.

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

Erro 0157

Armazenamento de dados não encontrado.

Mensagens de Exceção
As informações do armazenamento de dados são inválidas.
As informações do armazenamento de dados são inválidas. Falha ao obter o armazenamento de dados do Azure Machine Learning '{nome_do_armazenamento_de_dados}' no workspace '{nome_do_workspace}'.

Erro 0158

Gerado quando um diretório de transformação é inválido.

Mensagens de Exceção
O TransformationDirectory fornecido é inválido.
TransformationDirectory "{arg_name}" é inválido. Motivo: {reason}. Execute novamente o teste de treinamento que gera o arquivo de transformação. Se o teste de treinamento tiver sido excluído, crie novamente e salve o arquivo de transformação.
TransformationDirectory "{arg_name}" é inválido. Motivo: {reason}. {troubleshoot_hint}

Erro 0159

Ocorrerá uma exceção se o diretório do modelo de componente for inválido.

Mensagens de Exceção
O ModelDirectory fornecido é inválido.
ModelDirectory "{arg_name}" é inválido.
ModelDirectory "{arg_name}" é inválido. Motivo: {reason}.
ModelDirectory "{arg_name}" é inválido. Motivo: {reason}. {troubleshoot_hint}

Erro 1000

Exceção de biblioteca interna.

Esse erro é fornecido para capturar erros de mecanismo interno sem tratamento de outra forma. Portanto, a causa desse erro poderá ser diferente dependendo do componente que gerou o erro.

Para obter ajuda, recomendamos que você poste a mensagem detalhada que acompanha o erro para o fórum do Azure Machine Learning, juntamente com a descrição do cenário, incluindo os dados usados como entradas. Esse feedback nos ajuda a priorizar erros e identificar os problemas mais importantes para trabalhos futuros.

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

Guia de Solução de problemas

Erro do componente Executar script Python

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

Treinamento distribuído

No momento, o designer é compatível com o treinamento distribuído para o componente Treinar modelo de PyTorch.

Caso haja falha no treinamento distribuído habilitado pelo componente sem logs do 70_driver, será possível verificar o 70_mpi_log para obter detalhes do erro.

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

O exemplo abaixo mostra uma Contagem de processos por nó maior do que a Unidade de Processamento da computação.

Caso contrário, você poderá verificar 70_driver_log para cada processo. O 70_driver_log_0 é usado no processo mestre.

Falha ao montar dados de exemplo no pipeline

Se você encontrar o erro acima, siga as etapas abaixo para resolver o problema:

Clique duas vezes no nó de dados para ir para a página de detalhes do armazenamento de dados.
Unregister esse azureml_globaldatasets armazenamento de dados.
Arraste e solte um novo Sample Data nó no pipeline para tentar novamente.

Compartilhar via

Exceções e códigos de erro para o designer

Erro 0001

Erro 0002

Erro 0003

Erro 0004

Erro 0005

Erro 0006

Erro 0007

Erro 0008

Erro 0009

Erro 0010

Erro 0011

Erro 0012

Erro 0013

Erro 0014

Erro 0015

Erro 0016

Erro 0017

Erro 0018

Erro 0019

Erro 0020

Erro 0021

Erro 0022

Erro 0023

Erro 0024

Erro 0025

Erro 0026

Erro 0027

Erro 0028

Erro 0029

Erro 0030

Erro 0031

Erro 0032

Erro 0033

Erro 0034

Erro 0035

Erro 0036

Erro 0037

Erro 0039

Erro 0042

Erro 0044

Erro 0045

Erro 0046

Erro 0047

Erro 0048

Erro 0049

Erro 0052

Erro 0053

Erro 0056

Erro 0057

Erro 0058

Erro 0059

Erro 0060

Erro 0061

Erro 0062

Erro 0064

Erro 0065

Erro 0066

Erro 0067

Erro 0068

Recursos

Erro 0069

Erro 0070

Erro 0072

Erro 0073

Erro 0075

Erro 0077

Erro 0078

Erro 0079

Erro 0080

Erro 0081

Erro 0082

Erro 0083

Erro 0084

Erro 0085

Erro 0090

Erro 0102

Erro 0105

Erro 0107