Hata kodlarını kullanarak Machine Learning Studio'da (klasik) modül özel durumlarıyla ilgili sorunları giderme

Machine Learning Studio'daki (klasik) modülleri kullanarak karşılaşabileceğiniz hata iletileri ve özel durum kodları hakkında bilgi edinin.

Sorunu çözmek için, yaygın nedenler hakkında bilgi edinmek için bu makaledeki hatayı arayın. Studio'da hata iletisinin tam metnini almanın iki yolu vardır (klasik):

• Sağ bölmedeki Çıkış Günlüğünü Görüntüle bağlantısına tıklayın ve en alta kaydırın. Ayrıntılı hata iletisi pencerenin son iki satırı içinde görüntülenir.

• Hatanın bulunduğu modülü seçin ve kırmızı X işaretine tıklayın. Yalnızca ilgili hata metni görüntülenir.

Hata iletisi metni yararlı değilse, bağlam ve istenen eklemeler veya değişiklikler hakkında bize bilgi gönderin. Hata konusunda geri bildirim gönderebilir veya Machine Learning Studio (klasik) forumunu ziyaret edip bir soru gönderebilirsiniz.

Hata 0001

Belirtilen bir veya daha fazla veri kümesi sütunu bulunamadığında özel durum oluşur.

Bir modül için sütun seçimi yapıldığında ancak seçilen sütunlarda giriş veri kümesinde yoksa bu hatayı alırsınız. Bu hata, bir sütun adını el ile yazdığınızda veya denemeyi çalıştırdığınızda sütun seçici veri kümenizde bulunmayan önerilen bir sütun sağladıysa oluşabilir.

Çözünürlük: Bu özel durumu oluşturan modülü yeniden ziyaret edin ve sütun adının veya adlarının doğru olduğunu ve başvurulan tüm sütunların mevcut olduğunu doğrulayın.

Özel Durum İletileri
Belirtilen bir veya daha fazla sütun bulunamadı
Adı veya dizini "{0}" olan sütun bulunamadı
Adı veya dizini "" olan sütun "{0}{1}" içinde yok

Hata 0002

Bir veya daha fazla parametre ayrıştırılamadıysa veya belirtilen türden hedef yöntem türü için gerekli olarak dönüştürülemiyorsa özel durum oluşur.

Giriş olarak bir parametre belirttiğinizde ve değer türü beklenen türden farklı olduğunda ve örtük dönüştürme gerçekleştirilemediğinde bu hata Machine Learning oluşur.

Çözünürlük: Modül gereksinimlerini denetleyin ve hangi değer türünün gerekli olduğunu belirleyin (dize, tamsayı, çift vb.)

Özel Durum İletileri
Parametre ayrıştırılamadı
"{0}" parametresi ayrıştırılamadı
"" parametresi "{0}{1}" olarak ayrıştırılamadı (dönüştürülemedi)
"" parametresi "{0}" parametresi "{1}"{2} olarak dönüştürülemedi
"" parametre değeri "{0}" olan "{1}" "{2}{3}" değerine dönüştürülemedi
"" sütunundaki "{0}" değeri "{1}" biçiminden "{2}{3}" değerine dönüştürülemedi ve "{4}" biçimi sağlandı

Hata 0003

Bir veya daha fazla giriş null veya boş olduğunda özel durum oluşur.

Machine Learning modüle yönelik giriş veya parametreler null veya boşsa bu hatayı alırsınız. Bu hata, örneğin bir parametre için herhangi bir değer yazmadığınızda oluşabilir. Eksik değerlere sahip bir veri kümesi veya boş bir veri kümesi seçerseniz de bu durum oluşabilir.

Çözüm:

• Özel durumu oluşturan modülü açın ve tüm girişlerin belirtildiğini doğrulayın. Tüm gerekli girişlerin belirtildiğine emin olun.
• Azure depolama alanından yüklenen verilerin erişilebilir olduğundan ve hesap adının veya anahtarının değişmediğinden emin olun.
• Eksik değerler veya null değerleri için giriş verilerini denetleyin.
• Veri kaynağında sorgu kullanıyorsanız, verilerin beklediğiniz biçimde döndürüldüğünü doğrulayın.
• Veri belirtiminde yazım hatalarını veya diğer değişiklikleri denetleyin.

Özel Durum İletileri
Bir veya daha fazla giriş null veya boş
"{0}" girişi null veya boş

Hata 0004

Parametre belirli bir değerden küçük veya buna eşitse özel durum oluşur.

İletideki parametre, modülün verileri işlemesi için gereken sınır değerinin altındaysa Machine Learning bu hatayı alırsınız.

Çözünürlük: Özel durum oluşturan modülü yeniden ziyaret edin ve parametresini belirtilen değerden büyük olacak şekilde değiştirin.

Özel Durum İletileri
Parametre sınır değerinden büyük olmalıdır.
"{0}" parametresi değeri değerinden {1}büyük olmalıdır.
"{0}" parametresinin değeri "{1}" olduğundan büyük olmalıdır {2}

Hata 0005

Parametre belirli bir değerden küçükse özel durum oluşur.

İletideki parametrenin, modülün verileri işlemesi için gereken sınır değerinin altında veya buna eşit olması durumunda Machine Learning bu hatayı alırsınız.

Çözünürlük: Özel durum oluşturan modülü yeniden ziyaret edin ve parametresini belirtilen değerden büyük veya buna eşit olacak şekilde değiştirin.

Özel Durum İletileri
Parametre sınır değerinden büyük veya buna eşit olmalıdır.
"{0}" parametresi değeri değerinden büyük veya buna {1}eşit olmalıdır.
"{0}" parametresi, değerinden büyük veya buna eşit {2}olması gereken "{1}" değerine sahiptir.

Hata 0006

Parametre belirtilen değerden büyük veya buna eşitse özel durum oluşur.

İletideki parametre, modülün verileri işlemesi için gereken sınır değerinden büyük veya bu değere eşitse Machine Learning bu hatayı alırsınız.

Çözünürlük: Özel durum oluşturan modülü yeniden ziyaret edin ve parametresini belirtilen değerden küçük olacak şekilde değiştirin.

Özel Durum İletileri
Parametreler uyuşmazlığı. Parametrelerden biri diğerinden küçük olmalıdır.
Parametre "{0}" değeri "{1}" parametresi değerinden küçük olmalıdır.
"{0}" parametresinin değerinden küçük {2}olması gereken "{1}" değeri vardır.

Hata 0007

Parametre belirli bir değerden büyükse özel durum oluşur.

Modülün özelliklerinde izin verilenden büyük bir değer belirttiyseniz bu hatayı Machine Learning alırsınız. Örneğin, desteklenen tarih aralığının dışında bir veri belirtebilir veya yalnızca üç sütun kullanılabilir olduğunda beş sütunun kullanılacağını belirtebilirsiniz.

Bir şekilde eşleşmesi gereken iki veri kümesi belirtirseniz de bu hatayı görebilirsiniz. Örneğin, sütunları yeniden adlandırıyorsanız ve sütunları dizine göre belirtiyorsanız, sağladığınız ad sayısı sütun dizinlerinin sayısıyla eşleşmelidir. Başka bir örnek, sütunların aynı sayıda satıra sahip olması gereken iki sütun kullanan bir matematik işlemi olabilir.

Çözüm:

• Söz konusu modülü açın ve sayısal özellik ayarlarını gözden geçirin.
• Tüm parametre değerlerinin bu özellik için desteklenen değer aralığında olduğundan emin olun.
• Modül birden çok giriş alıyorsa girişlerin aynı boyutta olduğundan emin olun.
• Modülün ayarlanabilen birden çok özelliği varsa, ilgili özelliklerin uygun değerlere sahip olduğundan emin olun. Örneğin, Verileri Bölmeler Halinde Gruplandır seçeneğini kullanırken, özel bölme kenarlarını belirtme seçeneğini kullanırsanız, bölme sayısı, bölme sınırları olarak sağladığınız değer sayısıyla eşleşmelidir.
• Veri kümesinin veya veri kaynağının değişip değişmediğini denetleyin. Bazen verilerin önceki bir sürümüyle çalışan bir değer, sütun sayısı, sütun veri türleri veya verilerin boyutu değiştikten sonra başarısız olur.

Özel durum iletileri
Parametreler uyuşmazlığı. Parametrelerden biri diğerine eşit veya ondan küçük olmalıdır.
"{0}" parametresi değeri, "{1}" parametresi değerinden küçük veya buna eşit olmalıdır.
"{0}" parametresi, değerinden küçük veya buna eşit {2}olması gereken "{1}" değerine sahiptir.

Hata 0008

Parametre aralıkta değilse özel durum oluşur.

İletideki parametre, modülün verileri işlemesi için gereken sınırların dışındaysa bu hatayı Machine Learning alırsınız.

Örneğin, farklı sayıda sütuna sahip iki veri kümesini birleştirmek için Satır Ekle'yi kullanmayı denerseniz bu hata görüntülenir.

Çözünürlük: Özel durumu oluşturan modülü yeniden ziyaret edin ve parametresini belirtilen aralık içinde olacak şekilde değiştirin.

Özel Durum İletileri
Parametre değeri belirtilen aralıkta değil.
Parametre "{0}" değeri aralıkta değil.
Parametre "{0}" değeri [{1}, {2}] aralığında olmalıdır.

Hata 0009

Azure depolama hesabı adı veya kapsayıcı adı yanlış belirtildiğinde özel durum oluşur.

Bu hata, azure depolama hesabı için parametreler belirttiğinizde Machine Learning Studio'da (klasik) oluşur, ancak ad veya parola çözülemez. Parolalarda veya hesap adlarında hatalar birçok nedenden dolayı oluşabilir:

• Hesap yanlış türde. Bazı yeni hesap türleri Machine Learning Studio (klasik) ile kullanım için desteklenmez. Ayrıntılar için bkz. Verileri İçeri Aktarma .
• Yanlış hesap adı girdiniz
• Hesap artık yok
• Depolama hesabının parolası yanlış veya değişmiş
• Kapsayıcı adını belirtmediyseniz veya kapsayıcı yok
• Dosya yolunu (blob yolu) tam olarak belirtmediyseniz

Çözüm:

Bu tür sorunlar genellikle hesap adını, parolayı veya kapsayıcı yolunu el ile girmeye çalıştığınızda oluşur. Adları aramanıza ve denetlemenize yardımcı olan Verileri İçeri Aktarma modülü için yeni sihirbazı kullanmanızı öneririz.

Ayrıca hesabın, kapsayıcının veya blob'un silinip silinmediğini denetleyin. Hesap adı ve parolanın doğru girildiğini ve kapsayıcının mevcut olduğunu doğrulamak için başka bir Azure depolama yardımcı programı kullanın.

Bazı yeni hesap türleri Machine Learning tarafından desteklenmez. Örneğin, yeni "sık erişimli" veya "soğuk" depolama türleri makine öğrenmesi için kullanılamaz. Hem klasik depolama hesapları hem de "Genel amaçlı" olarak oluşturulan depolama hesapları düzgün çalışır.

Bir blob'un tam yolu belirtildiyse, yolun kapsayıcı/blobname olarak belirtildiğini ve hem kapsayıcının hem de blob'un hesapta mevcut olduğunu doğrulayın.

Yol başta eğik çizgi içermemelidir. Örneğin /container/blob yanlıştır ve kapsayıcı/blob olarak girilmelidir.

Kaynaklar

Desteklenen farklı depolama seçeneklerinin açıklaması için bu makaleye bakın: Verileri İçeri Aktarma modülüyle çeşitli çevrimiçi veri kaynaklarından Machine Learning Studio'ya (klasik) veri aktarma

Örnek deneyler

Farklı veri kaynaklarına bağlanma örnekleri için Cortana Intelligence Galerisi'nde şu denemelere bakın:

• Çeşitli kaynaklardan veri girişi: Bu laboratuvar azure ML veri kaynaklarının çoğunu kullanmaya yönelik görsel bir kılavuz sağlar: AzureML denemeleri ve veri etkileşimi

• Azure Cosmos DB: Machine Learning'da Azure Cosmos DB'den veri okuma

• Python kullanarak okunamayan verileri içeri aktarma: Azure Blob depolamadan metin olmayan dosyayı yükleme

Özel Durum İletileri
Azure depolama hesabı adı veya kapsayıcı adı yanlış.
Azure depolama hesabı adı "{0}" veya kapsayıcı adı "{1}" yanlış; kapsayıcı/blob biçiminin kapsayıcı adı bekleniyordu.

Hata 0010

Giriş veri kümelerinde eşleşmesi gereken ancak eşleşmeyen sütun adları varsa özel durum oluşur.

İletideki sütun dizininin iki giriş veri kümesinde farklı sütun adları varsa bu hatayı Machine Learning alırsınız.

Çözünürlük:Meta Verileri Düzenle'yi kullanın veya özgün veri kümesini belirtilen sütun dizini için aynı sütun adına sahip olacak şekilde değiştirin.

Özel Durum İletileri
Giriş veri kümelerinde karşılık gelen dizine sahip sütunların adları farklıdır.
Sütun adları, giriş veri kümelerinin ({1}ve {2} sırasıyla) sütunu {0} (sıfır tabanlı) için aynı değildir.

Hata 0011

Geçirilen sütun kümesi bağımsız değişkeni veri kümesi sütunlarının hiçbirine uygulanmazsa özel durum oluşur.

Belirtilen sütun seçimi belirtilen veri kümesindeki sütunlardan herhangi biriyle eşleşmiyorsa bu hatayı Machine Learning alırsınız.

Ayrıca, bir sütun seçmediyseniz ve modülün çalışması için en az bir sütun gerekiyorsa bu hatayı alabilirsiniz.

Çözünürlük: Modüldeki sütun seçimini, veri kümesindeki sütunlara uygulanacak şekilde değiştirin.

Modül, etiket sütunu gibi belirli bir sütunu seçmenizi gerektiriyorsa, doğru sütunun seçili olduğunu doğrulayın.

Uygun olmayan sütunlar seçilirse, bunları kaldırın ve denemeyi yeniden çalıştırın.

Özel Durum İletileri
Belirtilen sütun kümesi veri kümesi sütunlarının hiçbirine uygulanmaz.
Belirtilen "{0}" sütun kümesi veri kümesi sütunlarının hiçbirine uygulanmaz.

Hata 0012

Sınıfın örneği geçirilen bağımsız değişkenler kümesiyle oluşturulamadıysa özel durum oluşur.

Çözünürlük: Bu hata kullanıcı tarafından eyleme dönüştürülemez ve gelecek bir sürümde kullanımdan kaldırılacaktır.

Özel Durum İletileri
Eğitilmemiş model, önce modeli eğitin.
Eğitilmemiş model (){0} kullanın, eğitilmiş modeli kullanın.

Hata 0013

Modüle geçirilen öğrenci geçersiz bir türse özel durum oluşur.

Eğitilen bir model bağlı puanlama modülüyle uyumsuz olduğunda bu hata oluşur. Örneğin, Train Matchbox Recommender'ın çıkışını Modeli Puanlama ( Eşleştirme Kutusu Önerisini Puanlama yerine) çıkışının bağlanması, deneme çalıştırıldığında bu hatayı oluşturur.

Çözüm:

Eğitim modülü tarafından oluşturulan öğrenci türünü belirleyin ve öğrenciye uygun puanlama modülünü belirleyin.

Model özelleştirilmiş eğitim modüllerinden herhangi biri kullanılarak eğitildiyse, eğitilen modeli yalnızca ilgili özel puanlama modülüne bağlayın.

Model türü	Eğitim modülü	Puanlama modülü
herhangi bir sınıflandırıcı	Modeli Eğit veya Model Hiper Parametrelerini Ayarla	Puanlama Modeli
herhangi bir regresyon modeli	Modeli Eğit veya Model Hiper Parametrelerini Ayarla	Puanlama Modeli
kümeleme modelleri	Kümeleme Modelini Eğitme veya Kümelemeye Süpürme	Kümelere Veri Atama
anomali algılama - One-Class SVM	Anomali Algılama Modeli Eğitme	Puanlama Modeli
anomali algılama - PCA	Modeli Eğit veya Model Hiper Parametrelerini Ayarla	Modeli Puanla Modeli değerlendirmek için bazı ek adımlar gerekir.
anomali algılama - zaman serisi	Zaman Serisi Anomali Algılama	Model, verilerden eğitim alır ve puan oluşturur. Modül eğitilmiş bir öğrenci oluşturmaz ve ek puanlama gerektirmez.
öneri modeli	Matchbox Önerisini Eğit	Eşleştirme Kutusu Önerisini Puanla
görüntü sınıflandırması	Önceden Eğitilmiş Art Arda Görüntü Sınıflandırması	Puanlama Modeli
Vowpal Wabbit modelleri	Vowpal Wabbit Sürüm 7-4 Modelini Eğit	Vowpal Wabbit Sürüm 7-4 Modelini Puanla
Vowpal Wabbit modelleri	Vowpal Wabbit Sürüm 7-10 Modelini Eğit	Vowpal Wabbit Sürüm 7-10 Modelini Puanla
Vowpal Wabbit modelleri	Vowpal Wabbit Sürüm 8 Modelini Eğit	Vowpal Wabbit Sürüm 8 Modelini Puanla

Özel Durum İletileri
Geçersiz türde öğrenci geçirildi.
"{0}" öğrenci türü geçersiz.

Hata 0014

Sütun benzersiz değerlerinin sayısı izin verilenden büyükse özel durum oluşur.

Bu hata, bir sütun çok fazla benzersiz değer içerdiğinde oluşur. Örneğin, bir sütunun kategorik veri olarak işleneceğini belirtirseniz ancak sütunda işlemenin tamamlanmasına izin veremeyecek kadar çok benzersiz değer olduğunu belirtirseniz bu hatayı görebilirsiniz. İki girişteki benzersiz değerlerin sayısı arasında bir uyuşmazlık varsa da bu hatayı görebilirsiniz.

Çözüm:

Hatayı oluşturan modülü açın ve giriş olarak kullanılan sütunları belirleyin. Bazı modüllerde veri kümesi girişine sağ tıklayıp Görselleştir'i seçerek benzersiz değerlerin sayısı ve bunların dağılımı gibi tek tek sütunlarla ilgili istatistikleri alabilirsiniz.

Gruplandırma veya kategorilere ayırma için kullanmayı planladığınız sütunlar için, sütunlardaki benzersiz değerlerin sayısını azaltmaya yönelik adımları uygulayın. Sütunun veri türüne bağlı olarak farklı şekillerde azaltabilirsiniz.

• Metin verileri için, benzer girişleri daraltmak için Metni Önişle özelliğini kullanabilirsiniz.
• Sayısal veriler için, Verileri Bölmeler Halinde Grupla'yı kullanarak daha az sayıda bölme oluşturabilir, Clip Values kullanarak değerleri kaldırabilir veya kesebilir ya da verilerin boyutunu azaltmak için Temel Bileşen Analizi veya Sayılarla Learning gibi makine öğrenmesi yöntemlerini kullanabilirsiniz.

Özel Durum İletileri
Sütun benzersiz değerlerinin sayısı izin verilenden büyük.
Sütundaki benzersiz değerlerin sayısı: "{0}", demet sayısını {1}aşıyor.

Hata 0015

Veritabanı bağlantısı başarısız olursa özel durum oluşur.

Yanlış bir SQL hesap adı, parola, veritabanı sunucusu veya veritabanı adı girerseniz ya da veritabanı veya sunucuyla ilgili sorunlar nedeniyle veritabanıyla bağlantı kurulamıyorsa bu hatayı alırsınız.

Çözünürlük: Hesap adı, parola, veritabanı sunucusu ve veritabanının doğru girildiğini ve belirtilen hesabın doğru izin düzeyine sahip olduğunu doğrulayın. Veritabanının şu anda erişilebilir olduğunu doğrulayın.

Özel Durum İletileri
Veritabanı bağlantısı yapılırken hata oluştu.
Veritabanı bağlantısı yapılırken hata oluştu: {0}.

Hata 0016

Modüle geçirilen giriş veri kümelerinin uyumlu sütun türleri olması gerekirken yoksa özel durum oluşur.

İki veya daha fazla veri kümesinde geçirilen sütunların türleri birbiriyle uyumlu değilse bu hatayı Machine Learning alırsınız.

Çözünürlük: Sütunların türlerinin uyumlu olduğundan emin olmak için Meta Verileri Düzenle'yi kullanın, özgün giriş veri kümesini değiştirin veya Veri Kümesine Dönüştür'ü kullanın.

Özel Durum İletileri
Giriş veri kümelerinde karşılık gelen dizine sahip sütunların türleri uyumsuzdur.
ve {1} sütunları {0} uyumsuz.
Sütun öğesi türleri, giriş veri kümelerinin (ve {2} sırasıyla) sütunuyla {0} ({1}sıfır tabanlı) uyumlu değildir.

Hata 0017

Seçili sütun geçerli modül tarafından desteklenmeyen bir veri türü kullanıyorsa özel durum oluşur.

Örneğin, sütun seçiminiz matematik işlemi için dize sütunu veya kategorik özellik sütununun gerekli olduğu bir puan sütunu gibi modül tarafından işlenemeyen veri türüne sahip bir sütun içeriyorsa Machine Learning bu hatayı alabilirsiniz.

Çözüm:

1. Sorun olan sütunu belirleyin.
2. Modülün gereksinimlerini gözden geçirin.
3. Sütunu gereksinimlere uygun hale getirmek için değiştirin. Sütuna ve denediğiniz dönüştürmeye bağlı olarak değişiklik yapmak için aşağıdaki modüllerden birkaçını kullanmanız gerekebilir:
   • Sütunların veri türünü değiştirmek veya özellik olan sütun kullanımını sayısal, kategorik olmayan ve kategorik olmayan olarak değiştirmek için Meta Verileri Düzenle'yi kullanın.
   • Eklenen tüm sütunların Machine Learning tarafından desteklenen veri türlerini kullanmasını sağlamak için Veri Kümesine Dönüştür'ü kullanın. Sütunları dönüştüremiyorsanız, bunları giriş veri kümesinden kaldırmayı göz önünde bulundurun.
   • Meta Verileri Düzenle kullanılarak değiştirilemeyen sütunları dönüştürmek veya dönüştürmek için SQL Dönüştürme uygulama veya R Betiği Yürütme modüllerini kullanın. Bu modüller, tarih saat veri türleriyle çalışmak için daha fazla esneklik sağlar.
   • Sayısal veri türleri için, değerleri yuvarlamak veya yuvarlamak için Matematik İşlemi Uygulama modülünü veya aralık değerlerini kaldırmak için Değerleri Kırp modülünü kullanabilirsiniz.
4. Son çare olarak, özgün giriş veri kümesini değiştirmeniz gerekebilir.

Özel Durum İletileri
Geçerli türün sütunu işlenemiyor. Tür modül tarafından desteklenmiyor.
türünde {0}sütun işlenemiyor. Tür modül tarafından desteklenmiyor.
türünde {0}"{1}" sütunu işlenemiyor. Tür modül tarafından desteklenmiyor.
türünde {0}"{1}" sütunu işlenemiyor. Tür modül tarafından desteklenmiyor. Parametre adı: {2}

Hata 0018

Giriş veri kümesi geçerli değilse özel durum oluşur.

Çözünürlük: Machine Learning'deki bu hata birçok bağlamda görünebilir, bu nedenle tek bir çözünürlük yoktur. Genel olarak, hata bir modüle giriş olarak sağlanan verilerin yanlış sayıda sütuna sahip olduğunu veya veri türünün modülün gereksinimlerini karşılamadığını gösterir. Örneğin:

• Modül bir etiket sütunu gerektiriyor, ancak etiket olarak işaretlenen sütun yok veya henüz bir etiket sütunu seçmediniz.

• Modül, verilerin kategorik olmasını gerektirir, ancak verileriniz sayısaldır.

• Modül belirli bir veri türü gerektirir. Örneğin, Eşleştirme Kutusu Önerisini Eğitme için sağlanan derecelendirmeler sayısal veya kategorik olabilir, ancak kayan noktalı sayılar olamaz.

• Veriler yanlış biçimde.

• İçeri aktarılan veriler geçersiz karakterler, hatalı değerler veya aralık dışı değerler içeriyor.

• Sütun boş veya çok fazla eksik değer içeriyor.

Gereksinimleri ve verilerinizin nasıl olabileceğini belirlemek için veri kümesini giriş olarak kullanacak modülün yardım konusunu gözden geçirin.

Ayrıca verilerinizin profilini yapmak için Verileri Özetleme veya İşlem Temel İstatistikleri'ni kullanmanızı ve meta verileri ve temiz değerleri düzeltmek için bu modülleri kullanmanızı öneririz: Meta Verileri Düzenle, Eksik Verileri Temizle, Değerleri Kırp.

Özel Durum İletileri
Veri kümesi geçerli değil.
{0} geçersiz veri içeriyor.
{0} ve {1} tutarlı sütun açısından olmalıdır.

Hata 0019

Sütunun sıralanmış değerler içermesi bekleniyorsa, ancak içermiyorsa özel durum oluşur.

Belirtilen sütun değerleri sıra dışıysa bu hatayı Machine Learning alırsınız.

Çözünürlük: Giriş veri kümesini el ile değiştirerek sütun değerlerini sıralayın ve modülü yeniden çalıştırın.

Özel Durum İletileri
Sütundaki değerler sıralanmaz.
"{0}" sütunundaki değerler sıralanmaz.
"" veri kümesinin "{0}{1}" sütunundaki değerler sıralanmaz.

Hata 0020

Modüle geçirilen bazı veri kümelerindeki sütun sayısı çok küçükse özel durum oluşur.

Modül için yeterli sütun seçilmediyse bu hatayı Machine Learning alırsınız.

Çözünürlük: Modülü yeniden ziyaret edin ve sütun seçicinin doğru sayıda sütunun seçili olduğundan emin olun.

Özel Durum İletileri
Giriş veri kümesindeki sütun sayısı izin verilen en düşük değerden azdır.
Giriş veri kümesindeki sütun sayısı izin verilen en düşük sütun sayısından {0} azdır.
"{0}" giriş veri kümesindeki sütun sayısı izin verilen en düşük sütun sayısından {1} azdır.

Hata 0021

Modüle geçirilen bazı veri kümelerindeki satır sayısı çok küçükse özel durum oluşur.

Veri kümesinde belirtilen işlemi gerçekleştirmek için yeterli satır olmadığında Machine Learning'de görülen bu hata. Örneğin, giriş veri kümesi boşsa veya en az sayıda satırın geçerli olmasını gerektiren bir işlem gerçekleştirmeye çalışıyorsanız bu hatayı görebilirsiniz. Bu tür işlemler istatistiksel yöntemlere, belirli gruplama türlerine ve sayılarla öğrenmeye dayalı gruplandırma veya sınıflandırma içerebilir (ancak bunlarla sınırlı değildir).

Çözüm:

• Hatayı döndüren modülü açın ve giriş veri kümesini ve modül özelliklerini denetleyin.
• Giriş veri kümesinin boş olmadığını ve modül yardımında açıklanan gereksinimleri karşılamak için yeterli veri satırı olduğunu doğrulayın.
• Verileriniz bir dış kaynaktan yüklendiyse, veri kaynağının kullanılabilir olduğundan ve veri tanımında içeri aktarma işleminin daha az satır almasına neden olacak bir hata veya değişiklik olmadığından emin olun.
• Modülün veri yukarı akışında veri türünü veya temizleme, bölme veya birleştirme işlemleri gibi değerlerin sayısını etkileyebilecek bir işlem gerçekleştiriyorsanız, döndürülen satır sayısını belirlemek için bu işlemlerin çıkışlarını denetleyin.

Hata 0022

Giriş veri kümesindeki seçili sütunların sayısı beklenen sayıya eşit değilse özel durum oluşur.

Machine Learning bu hata, aşağı akış modülü veya işlemi belirli sayıda sütun veya giriş gerektirdiğinde ve çok az veya çok fazla sütun veya giriş sağladığınızda oluşabilir. Örneğin:

• Tek bir etiket sütunu veya anahtar sütunu belirtirsiniz ve yanlışlıkla birden çok sütun seçersiniz.

• Sütunları yeniden adlandırıyorsunuz, ancak sütunlardan daha fazla veya daha az ad sağladınız.

• Kaynak veya hedefteki sütunların sayısı değişti veya modül tarafından kullanılan sütun sayısıyla eşleşmiyor.

• Girişler için değerlerin virgülle ayrılmış bir listesini sağladınız, ancak değer sayısı eşleşmiyor veya birden çok giriş desteklenmiyor.

Çözünürlük: Modülü yeniden ziyaret edin ve doğru sütun sayısının seçildiğinden emin olmak için sütun seçimini denetleyin. Yukarı akış modüllerinin çıkışlarını ve aşağı akış işlemlerinin gereksinimlerini doğrulayın.

Birden çok sütun seçebilen sütun seçimi seçeneklerinden birini (sütun dizinleri, tüm özellikler, tüm sayısal vb.) kullandıysanız, seçim tarafından döndürülen sütunların tam sayısını doğrulayın.

Sıkıştırılmış Veri Kümelerini Paketten Çıkarma'ya giriş olarak virgülle ayrılmış bir veri kümesi listesi belirtmeye çalışıyorsanız, bir kerede yalnızca bir veri kümesinin paketini açın. Birden çok giriş desteklenmez.

Yukarı akış sütunlarının sayısının veya türünün değişmediğini doğrulayın.

Bir modeli eğitmek için öneri veri kümesi kullanıyorsanız, öneride bulunanın kullanıcı-öğe çiftlerine veya kullanıcı-öğe derecelendirmelerine karşılık gelen sınırlı sayıda sütun beklediğini unutmayın. Modeli eğitmeden veya öneri veri kümelerini bölmeden önce ek sütunları kaldırın. Daha fazla bilgi için bkz. Verileri Bölme.

Özel Durum İletileri
Giriş veri kümesindeki seçili sütunların sayısı beklenen sayıya eşit değildir.
Giriş veri kümesindeki seçili sütunların sayısı ile {0}eşit değildir.
"{0}" sütun seçim deseni, giriş veri kümesinde öğesine eşit olmayan seçili sütunların {1}sayısını sağlar.
"{0}" sütun seçim deseninde giriş veri kümesinde seçilen sütunların sağlanması {1} beklenir, ancak {2} sütun/sütun sağlanır.

Hata 0023

Giriş veri kümesinin hedef sütunu geçerli eğitmen modülü için geçerli değilse özel durum oluşur.

Machine Learning'de bu hata, hedef sütun (modül parametrelerinde seçili olarak) geçerli veri türünde değilse, tüm eksik değerleri içeriyorsa veya beklendiği gibi kategorik değilse oluşur.

Çözünürlük: Etiket/hedef sütunun içeriğini incelemek için modül girişini yeniden ziyaret edin. Tüm eksik değerlere sahip olmadığından emin olun. Modül hedef sütunun kategorik olmasını bekliyorsa, hedef sütunda birden fazla ayrı değer olduğundan emin olun.

Özel Durum İletileri
Giriş veri kümesinin desteklenmeyen hedef sütunu var.
Giriş veri kümesinde desteklenmeyen "{0}" hedef sütunu var.
Giriş veri kümesinin türü {1}öğrenen için desteklenmeyen "{0}" hedef sütunu var.

Hata 0024

Veri kümesi etiket sütunu içermiyorsa özel durum oluşur.

Machine Learning'de bu hata, modül bir etiket sütunu gerektirdiğinde ve veri kümesinde etiket sütunu olmadığında oluşur. Örneğin, puanlanmış veri kümesinin değerlendirilmesi için genellikle doğruluk ölçümlerini hesaplamak için bir etiket sütunu bulunması gerekir.

Ayrıca, veri kümesinde bir etiket sütunu mevcut olabilir, ancak Machine Learning tarafından doğru algılanmaz.

Çözüm:

• Hatayı oluşturan modülü açın ve bir etiket sütunu olup olmadığını belirleyin. Sütunun adı veya veri türü, tahmin etmeye çalıştığınız tek bir sonuç (veya bağımlı değişken) içerdiği sürece önemli değildir. Etiketin hangi sütunda olduğundan emin değilseniz Sınıf veya Hedef gibi genel bir ad arayın.
• Veri kümesi bir etiket sütunu içermiyorsa, etiket sütunu açıkça veya yanlışlıkla yukarı akış kaldırılmış olabilir. Ayrıca veri kümesinin yukarı akış puanlama modülünün çıktısı olmaması da olabilir.
• Sütunu açıkça etiket sütunu olarak işaretlemek için Meta Verileri Düzenle modülünü ekleyin ve veri kümesini bağlayın. Yalnızca etiket sütununu seçin ve Alanlar açılan listesinden Etiket'i seçin.
• Etiket olarak yanlış sütun seçilirse, sütundaki meta verileri düzeltmek için Alanlar'danEtiketi temizle'yi seçebilirsiniz.

Özel Durum İletileri
Veri kümesinde etiket sütunu yok.
"{0}" içinde etiket sütunu yok.

Hata 0025

Veri kümesi puan sütunu içermiyorsa özel durum oluşur.

değerlendirme modeline giriş geçerli puan sütunları içermiyorsa Machine Learning bu hata oluşur. Örneğin, kullanıcı doğru eğitilmiş bir modelle puanlanana kadar bir veri kümesini değerlendirmeye çalışır veya puan sütunu açıkça yukarı akışa bırakılır. Bu özel durum, iki veri kümesindeki puan sütunları uyumsuzsa da oluşur. Örneğin, doğrusal regresörün doğruluğunu ikili sınıflandırıcınınkiyle karşılaştırmaya çalışıyor olabilirsiniz.

Çözünürlük: Değerlendirme modeline girişi yeniden ziyaret edin ve bir veya daha fazla puan sütunu içerip içermediğini inceleyin. Aksi takdirde, veri kümesi puanlanmaz veya puan sütunları bir yukarı akış modülüne bırakılır.

Özel Durum İletileri
Veri kümesinde puan sütunu yok.
"{0}" içinde puan sütunu yok.
"" içinde "{0}" tarafından üretilen bir{1} puan sütunu yoktur. Doğru öğrenci türünü kullanarak veri kümesini puanlayın.

Hata 0026

Aynı ada sahip sütunlara izin verilmiyorsa özel durum oluşur.

Machine Learning'de bu hata, birden çok sütun aynı ada sahipse oluşur. Bu hatayı almanın bir yolu, veri kümesinin üst bilgi satırı olmaması ve sütun adlarının otomatik olarak atanmasıdır: Col0, Col1, vb.

Çözünürlük: Sütunların adı aynıysa, giriş veri kümesiyle modül arasına Meta Verileri Düzenle modülünü ekleyin. Yeni sütun adları metin kutusuna yeni adları yazarak yeniden adlandıracak sütunları seçmek için Meta Verileri Düzenle'deki sütun seçiciyi kullanın.

Özel Durum İletileri
Bağımsız değişkenlerde eşit sütun adları belirtilir. Eşit sütun adlara modül tarafından izin verilmez.
"" ve{1} "{0}" bağımsız değişkenlerindeki eşit sütun adlarına izin verilmez. Farklı adlar belirtin.

Hata 0027

İki nesnenin aynı boyutta olması gerektiğinde ancak aynı boyutta olmaması durumunda özel durum oluşur.

Bu, Machine Learning yaygın bir hatadır ve birçok koşuldan kaynaklanabilir.

Çözünürlük: Belirli bir çözüm yoktur. Ancak, aşağıdakiler gibi koşulları de kontrol edebilirsiniz:

• Sütunları yeniden adlandırıyorsanız, her listenin (giriş sütunları ve yeni adlar listesi) aynı sayıda öğeye sahip olduğundan emin olun.

• İki veri kümesini birleştiriyor veya birleştiriyorsanız, bunların aynı şemaya sahip olduğundan emin olun.

• Birden çok sütunu olan iki veri kümesini birleştiriyorsanız, anahtar sütunların aynı veri türüne sahip olduğundan emin olun ve Yinelenenlere izin ver ve seçimde sütun sırasını koru seçeneğini belirleyin.

Özel Durum İletileri
Geçirilen nesnelerin boyutu tutarsız.
"" boyutu "{0}" boyutuyla{1} tutarsız.

Hata 0028

Sütun kümesi yinelenen sütun adları içerdiğinde ve buna izin verilmediğinde özel durum oluşur.

Machine Learning'de bu hata, sütun adları yinelendiğinde oluşur; yani benzersiz değildir.

Çözünürlük: Herhangi bir sütunun adı aynıysa, giriş veri kümesi ile hatayı gösteren modül arasına Meta Verileri Düzenle örneğini ekleyin. Meta Verileri Düzenle'deki Sütun Seçici'yi kullanarak yeniden adlandıracak sütunları seçin ve yeni sütun adlarını Yeni sütun adları metin kutusuna yazın. Birden çok sütunu yeniden adlandırıyorsanız , Yeni sütun adlarına yazdığınız değerlerin benzersiz olduğundan emin olun.

Özel Durum İletileri
Sütun kümesi yinelenen sütun adları içeriyor.
"{0}" adı yineleniyor.
"" adı "{0}{1}" içinde yineleniyor.

Hata 0029

Geçersiz URI geçirildiğinde özel durum oluşur.

Machine Learning'de bu hata, geçersiz URI geçirildiğinde oluşur. Aşağıdaki koşullardan herhangi biri doğruysa bu hatayı alırsınız: veya.

• Okuma veya yazma için Azure Blob Depolama için sağlanan Genel veya SAS URI'sinde hata var.

• SAS zaman penceresinin süresi doldu.

• HTTP kaynağı aracılığıyla Web URL'si bir dosyayı veya geri döngü URI'sini temsil eder.

• HTTP aracılığıyla Web URL'si yanlış biçimlendirilmiş bir URL içeriyor.

• URL uzak kaynak tarafından çözümlenemiyor.

Çözünürlük: Modülü yeniden ziyaret edin ve URI'nin biçimini doğrulayın. Veri kaynağı HTTP aracılığıyla bir Web URL'siyse, hedeflenen kaynağın bir dosya veya geri döngü URI'si (localhost) olmadığını doğrulayın.

Özel Durum İletileri
Geçersiz Uri geçirildi.

Hata 0030

Bir dosyanın indirilmemesi durumunda özel durum oluşur.

Machine Learning'de bu özel durum, dosya indirilmediğinde oluşur. Üç (3) yeniden deneme girişiminden sonra bir HTTP kaynağından okuma girişimi başarısız olduğunda bu özel durumu alırsınız.

Çözünürlük: HTTP kaynağının URI'sinin doğru olduğunu ve siteye şu anda İnternet üzerinden erişilebildiğini doğrulayın.

Özel Durum İletileri
Dosya indirilemiyor.
Dosya indirilirken hata oluştu: {0}.

Hata 0031

Sütun kümesindeki sütun sayısı gerekenden azsa özel durum oluşur.

Machine Learning'de bu hata, seçilen sütun sayısı gerekenden azsa oluşur. Gerekli en az sütun sayısı seçilmezse bu hatayı alırsınız.

Çözünürlük:Sütun Seçici'yi kullanarak sütun seçimine başka sütunlar ekleyin.

Özel Durum İletileri
Sütun kümesindeki sütun sayısı gerekenden azdır.
{0} sütun belirtilmelidir. Belirtilen sütunların gerçek sayısıdır {1}.

Hata 0032

Bağımsız değişken bir sayı değilse özel durum oluşur.

Bağımsız değişken çift veya NaN ise bu hatayı Machine Learning alırsınız.

Çözünürlük: Belirtilen bağımsız değişkeni geçerli bir değer kullanacak şekilde değiştirin.

Özel Durum İletileri
Bağımsız değişken bir sayı değildir.
"{0}" bir sayı değildir.

Hata 0033

Bağımsız değişken Sonsuz ise özel durum oluşur.

Machine Learning'de bu hata, bağımsız değişken sonsuz olduğunda oluşur. Bağımsız değişken veya double.NegativeInfinitydouble.PositiveInfinityise bu hatayı alırsınız.

Çözünürlük: Belirtilen bağımsız değişkeni geçerli bir değer olacak şekilde değiştirin.

Özel Durum İletileri
Bağımsız değişken sonlu olmalıdır.
"{0}" sınırlı değildir.

Hata 0034

Belirli bir kullanıcı öğesi çifti için birden fazla derecelendirme varsa özel durum oluşur.

Machine Learning'de bu hata, kullanıcı öğesi çiftinde birden fazla derecelendirme değeri varsa öneride oluşur.

Çözünürlük: Kullanıcı öğesi çiftinin yalnızca bir derecelendirme değerine sahip olduğundan emin olun.

Özel Durum İletileri
Veri kümesindeki değerler için birden fazla derecelendirme vardır.
Derecelendirme tahmini veri tablosundaki kullanıcı {0} ve öğe {1} için birden fazla derecelendirme.

Hata 0035

Belirli bir kullanıcı veya öğe için hiçbir özellik sağlanmadıysa özel durum oluşur.

Machine Learning'de bu hata, puanlama için bir öneri modeli kullanmaya çalışırken oluşur, ancak bir özellik vektöru bulunamaz.

Çözüm:

Matchbox önericisi, öğe özellikleri veya kullanıcı özellikleri kullanılırken karşılanması gereken belirli gereksinimlere sahiptir. Bu hata, giriş olarak sağladığınız bir kullanıcı veya öğe için özellik vektörlerinin eksik olduğunu gösterir. Her kullanıcı veya öğe için verilerde bir özellik vektörünün kullanılabilir olduğundan emin olmanız gerekir.

Örneğin, kullanıcının yaşı, konumu veya geliri gibi özellikleri kullanarak bir öneri modeli eğittiyseniz ancak şimdi eğitim sırasında görünmeyen yeni kullanıcılar için puanlar oluşturmak istiyorsanız, yeni kullanıcılar için uygun tahminlerde bulunmak için yeni kullanıcılar için eşdeğer özellik kümesi (yaş, konum ve gelir değerleri) sağlamanız gerekir.

Bu kullanıcılar için herhangi bir özelliğiniz yoksa, uygun özellikleri oluşturmak için özellik mühendisliğini göz önünde bulundurun. Örneğin, bireysel kullanıcı yaşı veya gelir değerleriniz yoksa, bir kullanıcı grubu için kullanmak üzere yaklaşık değerler oluşturabilirsiniz.

Bir öneri modundan puanlama yaparken, öğe veya kullanıcı özelliklerini yalnızca daha önce eğitim sırasında öğe veya kullanıcı özelliklerini kullandıysanız kullanabilirsiniz. Daha fazla bilgi için bkz . Eşleştirme Kutusu Önerisini Puanla.

Matchbox öneri algoritmasının nasıl çalıştığı ve öğe özellikleri veya kullanıcı özellikleri veri kümesini hazırlama hakkında genel bilgi için bkz. Eşleştirme Kutusu Önerisini Eğitme.

Özel Durum İletileri
Gerekli bir kullanıcı veya öğe için hiçbir özellik sağlanmadı.
{0} Gerekli ancak sağlanmayan özellikler.

Hata 0036

Belirli bir kullanıcı veya öğe için birden çok özellik vektörleri sağlandıysa özel durum oluşur.

Machine Learning'de bu hata, bir özellik vektör birden çok kez tanımlandığında oluşur.

Çözünürlük: Özellik vektörlerinin birden çok kez tanımlanmadığından emin olun.

Özel Durum İletileri
Kullanıcı veya öğe için yinelenen özellik tanımı.
için {0}yinelenen özellik tanımı.

Hata 0037

Birden çok etiket sütunu belirtilirse ve yalnızca bir sütuna izin verilirse özel durum oluşur.

Machine Learning'de bu hata, yeni etiket sütunu olarak birden fazla sütun seçilirse oluşur. Denetimli öğrenme algoritmalarının çoğu tek bir sütunun hedef veya etiket olarak işaretlenmesini gerektirir.

Çözünürlük: Yeni etiket sütunu olarak tek bir sütun seçtiğinizden emin olun.

Özel Durum İletileri
Birden çok etiket sütunu belirtilir.

Hata 0038

Beklenen öğe sayısının tam bir değer olması gerekirken değilse özel durum oluşur.

Machine Learning'de bu hata, beklenen öğe sayısının tam bir değer olması gerekirken değilse oluşur. Öğe sayısı geçerli beklenen değere eşit değilse bu hatayı alırsınız.

Çözünürlük: Girişi doğru öğe sayısına sahip olacak şekilde değiştirin.

Özel Durum İletileri
Öğe sayısı geçerli değil.
"{0}" içindeki öğelerin sayısı geçerli değil.
"{0}" içindeki öğe sayısı geçerli öğe sayısına {1} eşit değildir.

Hata 0039

Bir işlem başarısız olursa özel durum oluşur.

bu hata Machine Learning bir iç işlem tamamlanamadığında oluşur.

Çözünürlük: Bu hata birçok koşuldan kaynaklanır ve belirli bir çözüm yoktur.
Aşağıdaki tabloda, bu hatanın genel iletileri ve ardından koşulun belirli bir açıklaması yer alır.

Herhangi bir ayrıntı yoksa geri bildirim gönderin ve hatayı oluşturan modüller ve ilgili koşullar hakkında bilgi sağlayın.

Özel Durum İletileri
İşlem başarısız oldu.
İşlem tamamlanırken hata oluştu: {0}.

Hata 0040

Kullanım dışı bırakılmış bir modül çağrılırken özel durum oluşur.

Machine Learning'de bu hata, kullanım dışı bırakılmış bir modül çağrılırken oluşturulur.

Çözünürlük: Kullanım dışı bırakılan modülü desteklenen modülle değiştirin. Bunun yerine hangi modülün kullanılacağı hakkında bilgi için modül çıkış günlüğüne bakın.

Özel Durum İletileri
Kullanım dışı modüle erişme.
"{0}" modülü kullanım dışı bırakıldı. Bunun yerine "{1}" modülünü kullanın.

Hata 0041

Kullanım dışı bırakılmış bir modül çağrılırken özel durum oluşur.

Machine Learning'de bu hata, kullanım dışı bırakılmış bir modül çağrılırken oluşturulur.

Çözünürlük: Kullanım dışı bırakılan modülü desteklenen modüllerle değiştirin. Bu bilgiler modül çıkış günlüğünde görünür olmalıdır.

Özel Durum İletileri
Kullanım dışı modüle erişme.
"{0}" modülü kullanım dışı bırakıldı. İstenen işlevsellik için "{1}" modüllerini kullanın.

Hata 0042

Sütunu başka bir türe dönüştürmek mümkün olmadığında özel durum oluşur.

Machine Learning bu hata, sütunu belirtilen türe dönüştürmek mümkün olmadığında oluşur. Bir modül tarih saat, metin, kayan nokta numarası veya tamsayı gibi belirli bir veri türü gerektiriyorsa ancak var olan bir sütunu gerekli türe dönüştürmek mümkün değilse bu hatayı alırsınız.

Örneğin, bir sütunu seçip matematik işleminde kullanmak üzere sayısal bir veri türüne dönüştürmeyi deneyebilir ve sütunda geçersiz veriler varsa bu hatayı alabilirsiniz.

Kayan nokta sayıları veya birçok benzersiz değeri içeren bir sütunu kategorik sütun olarak kullanmaya çalışırsanız bu hatayı almanıza neden olan başka bir neden de budur.

Çözüm:

• Hatayı oluşturan modülün yardım sayfasını açın ve veri türü gereksinimlerini doğrulayın.
• Giriş veri kümesindeki sütunların veri türlerini gözden geçirin.
• Şema olmayan veri kaynaklarından kaynaklanan verileri inceleyin.
• Veri kümesinde istenen veri türüne dönüştürmeyi engelleyebilecek eksik değerler veya özel karakterler olup olmadığını denetleyin.
  • Sayısal veri türleri tutarlı olmalıdır: Örneğin, tamsayılar sütununda kayan nokta sayıları olup olmadığını denetleyin.
  • Sayı sütununda metin dizelerini veya NA değerlerini arayın.
  • Boole değerleri, gerekli veri türüne bağlı olarak uygun bir gösterime dönüştürülebilir.
  • Unicode olmayan karakterler, sekme karakterleri veya denetim karakterleri için metin sütunlarını inceleme
  • Modelleme hatalarından kaçınmak için tarih saat verilerinin tutarlı olması gerekir, ancak birçok biçim nedeniyle temizleme karmaşık olabilir. Temizleme gerçekleştirmek için R Betiği Yürütme veya Python Betiği Yürütme modüllerini kullanmayı göz önünde bulundurun.
• Gerekirse, sütunun başarıyla dönüştürülebilmesi için giriş veri kümesindeki değerleri değiştirin. Değişiklik, gruplama, kesme veya yuvarlama işlemlerini, aykırı değerlerin ortadan kaldırılmasını veya eksik değerlerin kesilmesini içerebilir. Makine öğrenmesindeki bazı yaygın veri dönüştürme senaryoları için aşağıdaki makalelere bakın:
  • Değerleri Kırpma
  • Eksik Verileri Temizleme
  • Verileri Normalleştirme
  • Verileri Bölmeler Halinde Gruplandırma

Özel Durum İletileri
Dönüştürmeye izin verilmiyor.
Türün sütunu türü {0} sütununa {1}dönüştürülemedi.
Türün "{2}" sütunu türünde {0} bir sütuna {1}dönüştürülemedi.
Türün {0} "{2}" sütunu türünün "{3}" sütununa {1}dönüştürülemedi.

Hata 0043

Öğe türü Equals'i açıkça uygulamadığında özel durum oluşur.

Machine Learning'daki bu hata kullanılmaz ve kullanım dışı bırakılacaktır.

Çözünürlük: Hiçbiri.

Özel Durum İletileri
Equals erişilebilir açık bir yöntem bulunamadı.
türüne {1}ait \"{0}\" sütununun değerleri karşılaştırılamıyor. Equals erişilebilir açık bir yöntem bulunamadı.

Hata 0044

Var olan değerlerden sütun öğesi türünü türetmek mümkün olmadığında özel durum oluşur.

Machine Learning bu hata, bir veri kümesindeki bir sütun veya sütunun türünü çıkarsamak mümkün olmadığında oluşur. Bu durum genellikle iki veya daha fazla veri kümesini farklı öğe türleriyle birleştirirken ortaya çıkar. Machine Learning, bir sütundaki veya sütundaki tüm değerleri bilgi kaybı olmadan temsil edebilen ortak bir türü belirleyemezse, bu hatayı oluşturur.

Çözünürlük: Birleştirilen her iki veri kümesindeki belirli bir sütundaki tüm değerlerin aynı türde (sayısal, Boole, kategorik, dize, tarih vb.) olduğundan veya aynı türe zorlanabildiğinden emin olun.

Özel Durum İletileri
Sütunun öğe türü türetilemez.
"{0}" sütunu için öğe türü türetilemez-- tüm öğeler null başvurulardır.
"" veri kümesinin{1} "{0}" sütunu için öğe türü türetilemez; tüm öğeler null başvurulardır.

Hata 0045

Kaynaktaki karışık öğe türleri nedeniyle sütun oluşturmak mümkün olmadığında özel durum oluşur.

Machine Learning'de bu hata, birleştirilen iki veri kümesinin öğe türleri farklı olduğunda oluşturulur.

Çözünürlük: Birleştirilen her iki veri kümesindeki belirli bir sütundaki tüm değerlerin aynı türde (sayısal, Boole, kategorik, dize, tarih vb.) olduğundan emin olun.

Özel Durum İletileri
Karışık öğe türleriyle sütun oluşturulamıyor.
Karma öğe türlerinin "{0}" kimliğine sahip sütun oluşturulamıyor:\n\tType of data[{1}, {0}] is {2}\n\tType of data[{3}, {0}] is {4}.

Hata 0046

Belirtilen yolda dizin oluşturulamayınca özel durum oluşur.

Machine Learning'de bu hata, belirtilen yolda dizin oluşturmak mümkün olmadığında oluşur. Hive Sorgusu için çıkış dizinine giden yolun herhangi bir bölümü yanlışsa veya erişilemezse bu hatayı alırsınız.

Çözünürlük: Modülü yeniden ziyaret edin ve dizin yolunun doğru biçimlendirildiğini ve geçerli kimlik bilgileriyle erişilebilir olduğunu doğrulayın.

Özel Durum İletileri
Geçerli bir çıkış dizini belirtin.
Dizin: {0} oluşturulamıyor. Geçerli bir yol belirtin.

Hata 0047

Modüle geçirilen bazı veri kümelerindeki özellik sütunlarının sayısı çok küçükse özel durum oluşur.

Machine Learning'de bu hata, eğitime yönelik giriş veri kümesi algoritmanın gerektirdiği minimum sütun sayısını içermiyorsa oluşur. Genellikle veri kümesi boş olur veya yalnızca eğitim sütunları içerir.

Çözünürlük: Etiket sütunu dışında bir veya daha fazla ek sütun olduğundan emin olmak için giriş veri kümesini yeniden ziyaret edin.

Özel Durum İletileri
Giriş veri kümesindeki özellik sütunlarının sayısı izin verilen en düşük değerden azdır.
Giriş veri kümesindeki özellik sütunlarının sayısı izin verilen en düşük sütun sayısından {0} azdır.
"{0}" giriş veri kümesindeki özellik sütunlarının sayısı izin verilen en düşük sütun sayısından {1} azdır.

Hata 0048

Bir dosyanın açılmasının mümkün olmadığı durumlarda özel durum oluşur.

Machine Learning'de bu hata, bir dosyayı okuma veya yazma için açmak mümkün olmadığında oluşur. Bu hatayı şu nedenlerle alabilirsiniz:

• Kapsayıcı veya dosya (blob) yok

• Dosya veya kapsayıcının erişim düzeyi dosyaya erişmenize izin vermiyor

• Dosya okunamayacak kadar büyük veya yanlış biçimli

Çözünürlük: Modülü ve okumaya çalıştığınız dosyayı yeniden ziyaret edin.

Kapsayıcı ve dosya adlarının doğru olduğunu doğrulayın.

Klasik Azure portalını veya azure depolama aracını kullanarak dosyaya erişim izniniz olduğunu doğrulayın.

Bir görüntü dosyasını okumaya çalışıyorsanız, görüntü dosyalarının boyut, piksel sayısı vb. gereksinimlerini karşıladığından emin olun. Daha fazla bilgi için bkz. Görüntüleri İçeri Aktarma.

Özel Durum İletileri
Dosya açılamıyor.
Dosya açılırken hata oluştu: {0}.

Hata 0049

Bir dosyayı ayrıştırmak mümkün olmadığında özel durum oluşur.

Machine Learning bu hata, bir dosyayı ayrıştırmak mümkün olmadığında oluşur. Verileri İçeri Aktar modülünde seçilen dosya biçimi dosyanın gerçek biçimiyle eşleşmiyorsa veya dosya tanınmayan bir karakter içeriyorsa bu hatayı alırsınız.

Çözünürlük: Modülü yeniden ziyaret edin ve dosyanın biçimiyle eşleşmiyorsa dosya biçimi seçimini düzeltin. Mümkünse, geçersiz karakter içermediğini doğrulamak için dosyayı inceleyin.

Özel Durum İletileri
Dosya ayrıştırılamıyor.
Dosya ayrıştırırken hata oluştu: {0}.

Hata 0050

Giriş ve çıkış dosyalarının aynı olması durumunda özel durum oluşur.

Çözünürlük: Machine Learning'deki bu hata kullanılmaz ve kullanımdan kaldırılacaktır.

Özel Durum İletileri
Giriş ve çıkış için belirtilen dosyalar aynı olamaz.

Hata 0051

Birkaç çıkış dosyasının aynı olması durumunda özel durum oluşur.

Çözünürlük: Machine Learning'deki bu hata kullanılmaz ve kullanımdan kaldırılacaktır.

Özel Durum İletileri
Çıkışlar için belirtilen dosyalar aynı olamaz.

Hata 0052

Azure depolama hesabı anahtarı yanlış belirtilirse özel durum oluşur.

Azure depolama hesabına erişmek için kullanılan anahtar yanlışsa Machine Learning bu hata oluşur. Örneğin, Azure depolama anahtarı kopyalanıp yapıştırıldığında kesildiyse veya yanlış anahtar kullanıldıysa bu hatayı görebilirsiniz.

Azure depolama hesabının anahtarını alma hakkında daha fazla bilgi için bkz. Depolama erişim anahtarlarını görüntüleme, kopyalama ve yeniden oluşturma.

Çözünürlük: Modülü yeniden ziyaret edin ve Azure depolama anahtarının hesap için doğru olduğunu doğrulayın; gerekirse klasik Azure portalından anahtarı yeniden kopyalayın.

Özel Durum İletileri
Azure depolama hesabı anahtarı yanlış.

Hata 0053

Eşleştirme kutusu önerileri için kullanıcı özellikleri veya öğeleri olmadığında özel durum oluşur.

Machine Learning'de bu hata, bir özellik vektöru bulunamadığında oluşturulur.

Çözünürlük: Giriş veri kümesinde bir özellik vektörü bulunduğundan emin olun.

Özel Durum İletileri
Kullanıcı özellikleri veya/ve öğeleri gereklidir ancak sağlanmaz.

Hata 0054

Sütunda işlemi tamamlayamayacak kadar az ayrı değer varsa özel durum oluşur.

Çözünürlük: Machine Learning'deki bu hata kullanılmaz ve kullanımdan kaldırılacaktır.

Özel Durum İletileri
Verilerin belirtilen sütunda işlemi tamamlayamayacak kadar az ayrı değeri var.
Verilerin belirtilen sütunda işlemi tamamlayamayacak kadar az ayrı değeri var. Gerekli en düşük değer öğelerdir {0} .
Verilerin "{1}" sütununda işlemi tamamlamak için çok az farklı değer var. Gerekli en düşük değer öğelerdir {0} .

Hata 0055

Kullanım dışı bırakılmış bir modül çağrılırken özel durum oluşur.

Machine Learning'de bu hata, kullanım dışı bırakılmış bir modülü çağırmaya çalışırsanız görüntülenir.

Çözüm:

Özel Durum İletileri
Kullanım dışı modüle erişme.
"{0}" modülü kullanım dışı bırakıldı.

Hata 0056

Bir işlem için seçtiğiniz sütunlar gereksinimleri ihlal ederse özel durum oluşur.

Machine Learning'de bu hata, sütunun belirli bir veri türünde olmasını gerektiren bir işlem için sütunları seçtiğinizde oluşur.

Bu hata, sütun doğru veri türündeyse de oluşabilir, ancak kullandığınız modül sütunun özellik, etiket veya kategorik sütun olarak işaretlenmesini gerektirir.

Örneğin, Gösterge Değerlerine Dönüştür modülü sütunların kategorik olmasını gerektirir ve bir özellik sütunu veya etiket sütunu seçerseniz bu hatayı oluşturur.

Çözüm:

1. Seçili durumdaki sütunların veri türünü gözden geçirin.

2. Seçili sütunların kategorik, etiket veya özellik sütunları olup olmadığını belirleyin.

3. Veri türü veya sütun kullanımı için belirli gereksinimler olup olmadığını belirlemek için sütun seçimini yaptığınız modülün yardım konusunu gözden geçirin.

4. Bu işlemin süresi boyunca sütun türünü değiştirmek için Meta Verileri Düzenle'yi kullanın. Aşağı akış işlemleri için ihtiyacınız varsa, başka bir Meta Verileri Düzenle örneğini kullanarak sütun türünü özgün değerine geri döndürdiğinizden emin olun.

Özel Durum İletileri
Seçilen bir veya daha fazla sütun izin verilen bir kategoride değildi.
"{0}" adlı sütun izin verilen bir kategoride değil.

Hata 0057

Zaten var olan bir dosya veya blob oluşturulmaya çalışıldığında özel durum oluşur.

Bu özel durum, bir denemenin sonuçlarını Azure blob depolamaya Machine Learning kaydetmek için Verileri Dışarı Aktarma modülünü veya başka bir modülü kullandığınızda, ancak zaten var olan bir dosya veya blob oluşturmaya çalıştığınızda oluşur.

Çözüm:

Bu hatayı yalnızca daha önce Azure blob depolama yazma modu özelliğini Hata olarak ayarladıysanız alırsınız. Tasarım gereği, zaten var olan bir bloba veri kümesi yazmaya çalışırsanız bu modül bir hata oluşturur.

• Modül özelliklerini açın ve Azure blob depolama yazma modunuÜzerine Yaz olarak değiştirin.
• Alternatif olarak, farklı bir hedef blobun veya dosyanın adını yazabilir ve henüz var olmayan bir blob belirttiğinizden emin olun.

Özel Durum İletileri
Dosya veya Blob zaten var.
"" dosyası veya Blobu{0} zaten var.

Hata 0058

veri kümesi beklenen etiket sütununu içermiyorsa Machine Learning bu hata oluşur.

Bu özel durum, sağlanan etiket sütunu öğrenci tarafından beklenen veri veya veri türüyle eşleşmediğinde veya yanlış değerlere sahip olduğunda da oluşabilir. Örneğin, ikili sınıflandırıcı eğitilirken gerçek değerli bir etiket sütunu kullanılırken bu özel durum oluşturulur.

Çözünürlük: Çözüm, kullandığınız öğrenciye veya eğitmene ve veri kümenizdeki sütunların veri türlerine bağlıdır. İlk olarak makine öğrenmesi algoritmasının veya eğitim modülünün gereksinimlerini doğrulayın.

Giriş veri kümesini yeniden ziyaret edin. Etiket olarak değerlendirilmesini beklediğiniz sütunun, oluşturduğunuz model için doğru veri türüne sahip olduğunu doğrulayın.

Eksik değerler için girişleri denetleyin ve gerekirse bunları ortadan kaldırın veya değiştirin.

Gerekirse , Meta Verileri Düzenle modülünü ekleyin ve etiket sütununun etiket olarak işaretlendiğinden emin olun.

Özel Durum İletileri
Etiket sütunu beklendiği gibi değil
Etiket sütunu "{0}" içinde beklendiği gibi değil.
"" etiket sütunu "{0}{1}" içinde beklenmez.

Hata 0059

Bir sütun seçicide belirtilen bir sütun dizini ayrıştırılamıyorsa özel durum oluşur.

Machine Learning'de bu hata, Sütun Seçici kullanılırken belirtilen bir sütun dizini ayrıştırılamıyorsa oluşur. Sütun dizini ayrıştırılamayan geçersiz bir biçimde olduğunda bu hatayı alırsınız.

Çözünürlük: Sütun dizinini geçerli bir dizin değeri kullanacak şekilde değiştirin.

Özel Durum İletileri
Belirtilen bir veya daha fazla sütun dizini veya dizin aralığı ayrıştırılamadı.
Sütun dizini veya "{0}" aralığı ayrıştırılamadı.

Hata 0060

Bir sütun seçicide aralık dışı bir sütun aralığı belirtildiğinde özel durum oluşur.

Machine Learning'de bu hata, Sütun Seçici'de aralık dışı bir sütun aralığı belirtildiğinde oluşur. Sütun seçicideki sütun aralığı veri kümesindeki sütunlara karşılık gelmiyorsa bu hatayı alırsınız.

Çözünürlük: Sütun seçicideki sütun aralığını veri kümesindeki sütunlara karşılık gelen şekilde değiştirin.

Özel Durum İletileri
Geçersiz veya aralık dışı sütun dizini aralığı belirtildi.
"{0}" sütun aralığı geçersiz veya aralık dışında.

Hata 0061

DataTable'a tablodan farklı sayıda sütun içeren bir satır eklemeye çalışılırken özel durum oluşur.

Machine Learning'de bu hata, veri kümesinden farklı sayıda sütunu olan bir veri kümesine satır eklemeye çalıştığınızda oluşur. Veri kümesine eklenen satırın giriş veri kümesinden farklı sayıda sütunu varsa bu hatayı alırsınız. Sütun sayısı farklıysa satır veri kümesine eklenemez.

Çözünürlük: Giriş veri kümesini, eklenen satırla aynı sayıda sütuna sahip olacak şekilde değiştirin veya eklenen satırı veri kümesiyle aynı sayıda sütuna sahip olacak şekilde değiştirin.

Özel Durum İletileri
Tüm tablolarda aynı sayıda sütun olmalıdır.

Hata 0062

İki modeli farklı öğrenci türleriyle karşılaştırmaya çalışırken özel durum oluşur.

Machine Learning'deki bu hata, puanlanmış iki farklı veri kümesinin değerlendirme ölçümleri karşılaştırıldığında oluşturulur. Bu durumda, puanlanmış iki veri kümesini üretmek için kullanılan modellerin etkinliğini karşılaştırmak mümkün değildir.

Çözünürlük: Puanlanan sonuçların aynı makine öğrenmesi modeli (ikili sınıflandırma, regresyon, çok sınıflı sınıflandırma, öneri, kümeleme, anomali algılama vb.) tarafından üretildiğini doğrulayın. Karşılaştırdığınız tüm modeller aynı öğrenci türüne sahip olmalıdır.

Özel Durum İletileri
Tüm modeller aynı öğrenci türüne sahip olmalıdır.

Hata 0063

R betiği değerlendirmesi bir hatayla başarısız olduğunda bu özel durum oluşur.

Bu hata, Machine Learning'daki R dil modüllerinden birinde bir R betiği sağladığınızda ve R kodu iç söz dizimi hataları içerdiğinde oluşur. R betiğine yanlış girişler sağladığınızda da özel durum oluşabilir.

Betik çalışma alanında yürütülemeyecek kadar büyükse de hata oluşabilir. R Betiği Yürütme modülü için en büyük betik boyutu 1.000 satır veya 32 KB çalışma alanıdır (hangisi daha küçükse).

Çözüm:

1. Machine Learning Studio'da (klasik) hatanın bulunduğu modüle sağ tıklayın ve Günlüğü Görüntüle'yi seçin.
2. Yığın izlemesini içeren modülün standart hata günlüğünü inceleyin.
   • [ModuleOutput] ile başlayan satırlar R çıkışını gösterir.
   • R'den gelen ve uyarı olarak işaretlenen iletiler genellikle denemenin başarısız olmasına neden olmaz.
3. Betik sorunlarını çözün.
   • R söz dizimi hatalarını denetleyin. Tanımlanmış ancak hiç doldurulmamış değişkenleri denetleyin.
   • Betikteki verilerin veya değişkenlerin Machine Learning tarafından desteklenmeyen karakterler kullanıp kullanmadığını belirlemek için giriş verilerini ve betiği gözden geçirin.
   • Tüm paket bağımlılıklarının yüklü olup olmadığını denetleyin.
   • Kodunuzun varsayılan olarak yüklenmeyen gerekli kitaplıkları yükleyip yüklemediğini denetleyin.
   • Gerekli paketlerin doğru sürüm olup olmadığını denetleyin.
   • Çıktısını almak istediğiniz veri kümelerinin bir veri çerçevesine dönüştürüldüğüne emin olun.
4. Denemeyi yeniden gönderin.

Özel Durum İletileri
R betiğinin değerlendirilmesi sırasında hata oluştu.
R betiğinin değerlendirilmesi sırasında aşağıdaki hata oluştu: R ---------- ---------- Hata iletisinin başlangıcı ----------- {0} R ----------- hata sonu iletisi
R betiği "{1}" değerlendirmesi sırasında şu hata oluştu: ---------- R ---------- hata iletisinin başlangıcı ----------- {0} R ----------- hata sonu iletisi

Hata 0064

Azure depolama hesabı adı veya depolama anahtarı yanlış belirtilirse özel durum oluşur.

Azure depolama hesabı adı veya depolama anahtarı yanlış belirtilirse Machine Learning bu hata oluşur. Depolama hesabı için yanlış bir hesap adı veya parola girerseniz bu hatayı alırsınız. Hesap adını veya parolayı el ile girerseniz bu durum oluşabilir. Hesap silinmişse de oluşabilir.

Çözünürlük: Hesap adı ve parolasının doğru girildiğini ve hesabın mevcut olduğunu doğrulayın.

Özel Durum İletileri
Azure depolama hesabı adı veya depolama anahtarı yanlış.
Hesap adı için Azure depolama hesabı adı "{0}" veya depolama anahtarı yanlış.

Hata 0065

Azure blob adı yanlış belirtilirse özel durum oluşur.

Machine Learning'de bu hata, Azure blob adı yanlış belirtilirse oluşur. Aşağıdakiler durumunda hatayı alırsınız:

• Blob belirtilen kapsayıcıda bulunamıyor.

• Sayı içeren Learning modüllerinden birinde çıktı için belirtilen blobun tam adı 512 karakterden büyüktür.

• Biçim Excel olduğunda veri içeri aktarma isteğinde kaynak olarak yalnızca kapsayıcı belirtildi veya kodlamalı CSV; kapsayıcı içindeki tüm blobların içeriğinin bu biçimlerle birleştirilmesine izin verilmez.

• SAS URI'sinde geçerli bir blobun adı yoktur.

Çözünürlük: Özel durum oluşturan modülü yeniden ziyaret edin. Belirtilen blob'un depolama hesabındaki kapsayıcıda mevcut olduğunu ve izinlerin blobu görmenize izin verdiğinden emin olun. Kodlama biçimlerine sahip Excel veya CSV'niz varsa girişin containername/filename biçiminde olduğunu doğrulayın. SAS URI'sinin geçerli bir blobun adını içerdiğini doğrulayın.

Özel Durum İletileri
Azure depolama blobu yanlış.
"{0}" Azure depolama blob adı yanlış

Hata 0066

Bir kaynak Azure Blob'a yüklenemediğinde özel durum oluşur.

Machine Learning bu hata, bir kaynağın Azure Blob'a yüklenememesi durumunda oluşur. Train Vowpal Wabbit 7-4 Modeli eğitirken modeli veya oluşturulan karmayı kaydetmeye çalışırken hatayla karşılaşırsa bu iletiyi alırsınız. Her ikisi de giriş dosyasını içeren hesapla aynı Azure depolama hesabına kaydedilir.

Çözünürlük: Modülü yeniden ziyaret edin. Azure hesabı adının, depolama anahtarının ve kapsayıcının doğru olduğunu ve hesabın kapsayıcıya yazma izni olduğunu doğrulayın.

Özel Durum İletileri
Kaynak Azure depolamaya yüklenemedi.
"{0}" dosyası Azure depolamaya olarak {1}yüklenemedi.

Hata 0067

Bir veri kümesinin beklenenden farklı sayıda sütunu varsa özel durum oluşur.

Machine Learning'de bu hata, bir veri kümesinin beklenenden farklı sayıda sütunu varsa oluşur. Veri kümesindeki sütun sayısı, modülün yürütme sırasında beklediği sütun sayısından farklı olduğunda bu hatayı alırsınız.

Çözünürlük: Giriş veri kümesini veya parametreleri değiştirin.

Özel Durum İletileri
Veri tablosundaki beklenmeyen sütun sayısı.
"{0}" sütunları bekleniyor ancak bunun yerine "{1}" sütunları bulundu.

Hata 0068

Belirtilen Hive betiği doğru değilse özel durum oluşur.

Hive QL betiğinde söz dizimi hataları varsa veya Hive yorumlayıcısı sorguyu veya betiği yürütürken bir hatayla karşılaşırsa Machine Learning bu hata oluşur.

Çözüm:

Hive'dan gelen hata iletisi normalde Hata Günlüğü'ne geri bildirilir, böylece belirli bir hataya göre eylem gerçekleştirebilirsiniz.

• Modülü açın ve sorguyu hatalara karşı inceleyin.
• Hadoop kümenizin Hive konsolunda oturum açıp sorguyu çalıştırarak sorgunun Machine Learning dışında düzgün çalıştığını doğrulayın.
• Hive betiğinize, yürütülebilir deyimleri ve açıklamaları tek satırda karıştırmak dışında ayrı bir satıra açıklama yerleştirmeyi deneyin.

Kaynaklar

Makine öğrenmesi için Hive sorguları ile ilgili yardım için aşağıdaki makalelere bakın:

• Hive tabloları oluşturma ve Azure Blob Depolama'dan veri yükleme
• Hive sorguları ile tablolardaki verileri keşfetme
• Hive sorgularını kullanarak bir Hadoop kümesindeki verilerin özelliklerini oluşturma
• SQL Kullanıcıları için Hive Bilgi Sayfası (PDF)

Özel Durum İletileri
Hive betiği yanlış.
Hive betiği {0} doğru değil.

Hata 0069

Belirtilen SQL betiği doğru değilse özel durum oluşur.

Belirtilen SQL betiğinde söz dizimi sorunları varsa veya betikte belirtilen sütun veya tablo geçerli değilse Machine Learning bu hata oluşur.

SQL altyapısı sorguyu veya betiği yürütürken herhangi bir hatayla karşılaşırsa bu hatayı alırsınız. SQL hata iletisi normalde Hata Günlüğü'ne geri bildirilir, böylece belirli bir hataya göre eylem gerçekleştirebilirsiniz.

Çözünürlük: Modülü yeniden ziyaret edin ve SQL sorgusunu hatalara karşı inceleyin.

Doğrudan veritabanı sunucusunda oturum açıp sorguyu çalıştırarak sorgunun Azure ML dışında düzgün çalıştığını doğrulayın.

Modül özel durumu tarafından bildirilen SQL oluşturulmuş bir ileti varsa, bildirilen hataya göre işlem yapın. Örneğin, hata iletileri bazen olası hatayla ilgili belirli yönergeler içerir:

• Böyle bir sütun veya eksik veritabanı yok, bu da yanlış bir sütun adı yazdığınıza işaret ediyor olabilir. Sütun adının doğru olduğundan eminseniz, sütun tanımlayıcısını içine almak için köşeli ayraç veya tırnak işaretleri kullanmayı deneyin.
• SQL anahtar sözcüğün yakınında <belirtilen anahtar sözcükte> söz dizimi hatası olabileceğini belirten mantık hatası SQL

Özel Durum İletileri
SQL betiği yanlış.
"{0}" SQL sorgusu doğru değil.
"{0}" SQL sorgusu doğru değil:{1}

Hata 0070

Mevcut olmayan Azure tablosuna erişmeye çalışıldığında özel durum oluşur.

Machine Learning'de bu hata, var olmayan bir Azure tablosuna erişmeye çalıştığınızda oluşur. Azure Depolama'da, Azure Tablo Depolama'ndan okurken veya bu tabloya yazarken bulunmayan bir tablo belirtirseniz bu hatayı alırsınız. İstediğiniz tablonun adını yanlış yazarsanız veya hedef adla depolama türü arasında uyuşmazlık varsa bu durum oluşabilir. Örneğin, tablodan okumayı amaçladınız ancak bunun yerine blobun adını girdiniz.

Çözünürlük: Tablonun adının doğru olduğunu doğrulamak için modülü yeniden ziyaret edin.

Özel Durum İletileri
Azure tablosu yok.
"{0}" Azure tablosu yok.

Hata 0071

Sağlanan kimlik bilgileri yanlışsa özel durum oluşur.

Machine Learning'de bu hata, sağlanan kimlik bilgileri yanlışsa oluşur.

Modül bir HDInsight kümesine bağlanamıyorsa da bu hatayı alabilirsiniz.

Çözünürlük: Modülün girişlerini gözden geçirin ve hesap adını ve parolayı doğrulayın.

Hataya neden olabilecek aşağıdaki sorunları denetleyin:

• Veri kümesinin şeması hedef veri tablosu şemasıyla eşleşmiyor.

• Sütun adları eksik veya yanlış yazılmış

• Geçersiz karakterler içeren sütun adları olan bir tabloya yazıyorsunuz. Normalde bu tür sütun adlarını köşeli ayraç içine alabilirsiniz, ancak bu işe yaramazsa, sütun adlarını yalnızca harf ve alt çizgi (_) kullanacak şekilde düzenleyin

• Yazmaya çalıştığınız dizeler tek tırnak işaretleri içeriyor

HDInsight kümesine bağlanmaya çalışıyorsanız, sağlanan kimlik bilgileriyle hedef kümeye erişilebildiğini doğrulayın.

Özel Durum İletileri
Yanlış kimlik bilgileri geçirildi.
Yanlış kullanıcı adı "{0}" veya parola geçirildi

Hata 0072

Bağlantı zaman aşımı durumunda özel durum oluşur.

Machine Learning bu hata, bağlantı zaman aşımına uğradıklarında oluşur. Veri kaynağında veya hedefte şu anda yavaş İnternet bağlantısı gibi bağlantı sorunları varsa veya veri kümesi büyükse ve/veya verilerde okunacak SQL sorgusu karmaşık işlemler gerçekleştiriyorsa bu hatayı alırsınız.

Çözünürlük: Şu anda Azure depolamaya veya İnternet'e yavaş bağlantılarla ilgili sorunlar olup olmadığını belirleyin.

Özel Durum İletileri
Bağlantı zaman aşımı oluştu.

Hata 0073

Bir sütun başka bir türe dönüştürülürken hata oluşursa özel durum oluşur.

Machine Learning'de bu hata, sütunu başka bir türe dönüştürmek mümkün olmadığında oluşur. Bir modül belirli bir tür gerektiriyorsa ve sütunu yeni türe dönüştürmek mümkün değilse bu hatayı alırsınız.

Çözünürlük: Giriş veri kümesini, sütunun iç özel duruma göre dönüştürülebilmesi için değiştirin.

Özel Durum İletileri
Sütun dönüştürülemedi.
Sütun {0}olarak dönüştürülemedi.

Hata 0074

Meta Verileri Düzenle, seyrek bir sütunu kategorik sütuna dönüştürmeye çalıştığında özel durum oluşur.

Machine Learning bu hata, Meta Verileri Düzenle, seyrek bir sütunu kategorik sütuna dönüştürmeye çalıştığında oluşur. Kategorik yap seçeneğiyle seyrek sütunları kategorik sütunlara dönüştürmeye çalışırken bu hatayı alırsınız. Machine Learning seyrek kategorik dizileri desteklemediğinden modül başarısız olur.

Çözünürlük: Önce Veri Kümesine Dönüştür'ü kullanarak sütunu yoğun hale getirin veya sütunu kategorik olarak dönüştürmeyin.

Özel Durum İletileri
Seyrek sütunlar Kategorik'e dönüştürülemez.

Hata 0075

Bir veri kümesinin nicelenmesi sırasında geçersiz bir gruplama işlevi kullanıldığında özel durum oluşur.

Machine Learning'de bu hata, desteklenmeyen bir yöntem kullanarak verileri bölmeye çalıştığınızda veya parametre birleşimleri geçersiz olduğunda oluşur.

Çözüm:

Bu olay için hata işleme, daha fazla gruplama yöntemi özelleştirmesine izin veren önceki bir Machine Learning sürümünde kullanıma sunulmuştur. Şu anda tüm gruplama yöntemleri açılan listeden yapılan bir seçimi temel alır, bu nedenle teknik olarak bu hatayı almak artık mümkün olmamalıdır.

Verileri Bölmelerde Gruplandırma modülünü kullanırken bu hatayı alırsanız, veri türlerini, parametre ayarlarını ve tam hata iletisini sağlayarak sorunu Machine Learning forumunda bildirmeyi göz önünde bulundurun.

Özel Durum İletileri
Geçersiz gruplama işlevi kullanıldı.

Hata 0077

Bilinmeyen blob dosyası yazma modu geçirildiğinde özel durum oluşur.

Machine Learning'de bu hata, blob dosyası hedefi veya kaynağı için belirtimlerde geçersiz bir bağımsız değişken geçirilirse oluşur.

Çözünürlük: Azure blob depolama alanına ve Azure blob depolamadan veri içeri veya dışarı aktaran neredeyse tüm modüllerde, yazma modunu denetleen parametre değerleri açılan liste kullanılarak atanır; bu nedenle, geçersiz bir değer geçirmek mümkün değildir ve bu hata görüntülenmemelidir. Bu hata sonraki bir sürümde kullanım dışı bırakılacaktır.

Özel Durum İletileri
Desteklenmeyen blob yazma modu.
Desteklenmeyen blob yazma modu: {0}.

Hata 0078

Verileri İçeri Aktarma için HTTP seçeneği yeniden yönlendirmeyi belirten bir 3xx durum kodu aldığında özel durum oluşur.

Machine Learning'de bu hata, Verileri İçeri Aktarma için HTTP seçeneği yeniden yönlendirmeyi belirten bir 3xx (301, 302, 304 vb.) durum kodu aldığında oluşur. Tarayıcıyı başka bir sayfaya yönlendiren bir HTTP kaynağına bağlanmayı denerseniz bu hatayı alırsınız. Güvenlik nedeniyle, web sitelerinin yeniden yönlendirilmesine Machine Learning için veri kaynağı olarak izin verilmez.

Çözünürlük: Web sitesi güvenilir bir web sitesiyse, doğrudan yeniden yönlendirilen URL'yi girin.

Özel Durum İletileri
Http yeniden yönlendirmesine izin verilmiyor

Hata 0079

Azure depolama kapsayıcı adı yanlış belirtilirse özel durum oluşur.

Machine Learning'de bu hata, Azure depolama kapsayıcısı adı yanlış belirtilirse oluşur. Azure Blob Depolama yazarken kapsayıcı ile başlayan blob yolu seçeneğini kullanarak hem kapsayıcı hem de blob (dosya) adını belirtmediyseniz bu hatayı alırsınız.

Çözünürlük:Verileri Dışarı Aktarma modülünü yeniden ziyaret edin ve blob için belirtilen yolun kapsayıcı /dosya adı biçiminde hem kapsayıcıyı hem de dosya adını içerdiğini doğrulayın.

Özel Durum İletileri
Azure depolama kapsayıcısının adı yanlış.
Azure depolama kapsayıcı adı "{0}" yanlış; kapsayıcı/blob biçiminin kapsayıcı adı bekleniyordu.

Hata 0080

Modülde tüm değerlerin eksik olduğu sütuna izin verilmediğinde özel durum oluşur.

Machine Learning bu hata, modül tarafından tüketilen sütunlardan biri veya daha fazlası tüm eksik değerleri içerdiğinde oluşturulur. Örneğin, bir modül her sütun için toplam istatistikleri hesaplarsa, veri içermeyen bir sütunda çalışamaz. Böyle durumlarda modül yürütmesi bu özel durumla durduruldu.

Çözünürlük: Giriş veri kümesini yeniden ziyaret edin ve tüm eksik değerleri içeren sütunları kaldırın.

Özel Durum İletileri
Tüm değerlerin eksik olduğu sütunlara izin verilmez.
Sütunda {0} tüm değerler eksik.

Hata 0081

Küçültülecek boyut sayısı, giriş veri kümesindeki en az bir seyrek özellik sütunu içeren özellik sütunlarının sayısına eşitse, PCA modülünde özel durum oluşur.

Machine Learning bu hata, aşağıdaki koşullar karşılanırsa oluşturulur: (a) giriş veri kümesinin en az bir seyrek sütunu vardır ve (b) istenen son boyut sayısı giriş boyutlarının sayısıyla aynıdır.

Çözünürlük: Çıktıdaki boyut sayısını girişteki boyut sayısından daha az olacak şekilde azaltmayı göz önünde bulundurun. Bu, PCA uygulamalarında tipiktir. Daha fazla bilgi için bkz. Asıl Bileşen Analizi.

Özel Durum İletileri
Seyrek özellik sütunları içeren veri kümesinde azaltılacak boyut sayısı özellik sütunlarının sayısından az olmalıdır.

Hata 0082

Modelin seri durumdan başarıyla çıkarılamaması durumunda özel durum oluşur.

Machine Learning bu hata, kaydedilen bir makine öğrenmesi modeli veya dönüşümü, hataya neden olan bir değişiklik sonucunda Machine Learning çalışma zamanının daha yeni bir sürümü tarafından yüklenemediğinde oluşur.

Çözünürlük: Modeli veya dönüşümü oluşturan eğitim denemesi yeniden çalıştırılmalı ve model veya dönüşüm yeniden kaydedilmelidir.

Özel Durum İletileri
Model, büyük olasılıkla eski bir serileştirme biçimiyle seri hale getirildiğinden seri durumdan çıkarılamadı. Modeli yeniden eğitme ve yeniden kaydetme.

Hata 0083

Eğitim için kullanılan veri kümesi somut öğrenci türü için kullanılamıyorsa özel durum oluşur.

Machine Learning'daki bu hata, veri kümesi eğitilen öğrenciyle uyumsuz olduğunda oluşturulur. Örneğin, veri kümesi her satırda en az bir eksik değer içerebilir ve sonuç olarak eğitim sırasında veri kümesinin tamamı atlanır. Diğer durumlarda, anomali algılama gibi bazı makine öğrenmesi algoritmaları etiketlerin mevcut olmasını beklemez ve veri kümesinde etiketler varsa bu özel durumu oluşturabilir.

Çözünürlük: Giriş veri kümesinin gereksinimlerini denetlemek için kullanılan öğrenci belgelerine bakın. Tüm gerekli sütunların mevcut olduğunu görmek için sütunları inceleyin.

Özel Durum İletileri
Eğitim için kullanılan veri kümesi geçersiz.
{0} eğitim için geçersiz veriler içeriyor.
{0} eğitim için geçersiz veriler içeriyor. Öğrenci türü: {1}.

Hata 0084

R Betiğinden oluşturulan puanlar değerlendirildiğinde özel durum oluşur. Bu şu anda desteklenmiyor.

Machine Learning'de bu hata, puanlar içeren bir R betiğinden çıkış içeren bir modeli değerlendirmek için modüllerden birini kullanmaya çalıştığınızda oluşur.

Çözüm:

Özel Durum İletileri
R tarafından üretilen puanların değerlendirilmesi şu anda desteklenmiyor.

Hata 0085

Betik değerlendirmesi bir hatayla başarısız olduğunda özel durum oluşur.

Machine Learning bu hata, söz dizimi hataları içeren özel betik çalıştırdığınızda oluşur.

Çözünürlük: Kodunuzu bir dış düzenleyicide gözden geçirin ve hataları denetleyin.

Özel Durum İletileri
Betiğin değerlendirilmesi sırasında hata oluştu.
Betik değerlendirmesi sırasında aşağıdaki hata oluştu, daha fazla bilgi için çıkış günlüğünü görüntüleyin: ---------- Yorumlayıcıdan {0} hata iletisinin başlangıcı ---------- ---------- {1} Yorumlayıcıdan gelen {0} hata sonu iletisi ----------

Hata 0086

Bir sayma dönüştürmesi geçersiz olduğunda özel durum oluşur.

Machine Learning bu hata, bir sayım tablosunu temel alan bir dönüştürme seçtiğinizde oluşur, ancak seçilen dönüştürme geçerli verilerle veya yeni sayı tablosuyla uyumsuzdur.

Çözünürlük: Modül, dönüştürmeyi oluşturan sayıların ve kuralların iki farklı biçimde kaydedilmesini destekler. Sayı tablolarını birleştiriyorsanız, birleştirmek istediğiniz her iki tablonun da aynı biçimi kullandığını doğrulayın.

Genel olarak, sayım tabanlı dönüşüm yalnızca dönüşümün ilk oluşturulduğu veri kümesiyle aynı şemaya sahip veri kümelerine uygulanabilir.

Genel bilgi için bkz. Sayılarla Learning. Sayım tabanlı özellikleri oluşturmaya ve birleştirmeye özgü gereksinimler için şu konulara bakın:

• Birleştirme Sayısı Dönüşümü

• İçeri Aktarma Sayısı Tablosu

• Sayı Tablosu Parametrelerini Değiştir

Özel Durum İletileri
Geçersiz sayım dönüşümü belirtildi.
'{0}' giriş bağlantı noktasındaki sayma dönüşümü geçersiz.
'' giriş bağlantı noktasındaki sayım dönüşümü, '{0}{1}' giriş bağlantı noktasındaki sayım dönüşümüyle birleştirilemez. Eşleşmeleri saymak için kullanılan meta verileri doğrulamak için denetleyin.

Hata 0087

Sayım modülleriyle öğrenme için geçersiz bir sayı tablosu türü belirtildiğinde özel durum oluşur.

Machine Learning'de bu hata, var olan bir sayım tablosunu içeri aktarmaya çalıştığınızda oluşur, ancak tablo geçerli verilerle veya yeni sayı tablosuyla uyumsuzdur.

Çözünürlük: Sayıları ve dönüştürmeyi oluşturan kuralları kaydetmek için farklı biçimler vardır. Sayı tablolarını birleştiriyorsanız, her ikisinin de aynı biçimi kullandığını doğrulayın.

Genellikle, sayı tabanlı dönüştürme yalnızca dönüşümün ilk oluşturulduğu veri kümesiyle aynı şemaya sahip veri kümelerine uygulanabilir.

Genel bilgi için bkz. Sayılarla Learning. Sayım tabanlı özellikleri oluşturmaya ve birleştirmeye özgü gereksinimler için şu konulara bakın:

Hata 0088

Sayım modülleriyle öğrenme için geçersiz bir sayma türü belirtildiğinde özel durum oluşur.

Machine Learning'de bu hata, sayım tabanlı özellik geliştirme için desteklenenden farklı bir sayım yöntemi kullanmaya çalıştığınızda oluşur.

Çözünürlük: Genel olarak, açılan listeden sayım yöntemleri seçilir, bu nedenle bu hatayı görmemeniz gerekir.

Genel bilgi için bkz. Sayılarla Learning. Sayım tabanlı özellikleri oluşturmaya ve birleştirmeye özgü gereksinimler için şu konulara bakın:

• Birleştirme Sayısı Dönüşümü

• İçeri Aktarma Sayısı Tablosu

• Tablo Parametrelerini Say'da Değişiklik Yapma

Özel Durum İletileri
Geçersiz sayım türü belirtildi.
Belirtilen sayma türü '{0}' geçerli bir sayma türü değil.

Hata 0089

Belirtilen sınıf sayısı, bir veri kümesindeki sayım için kullanılan gerçek sınıf sayısından az olduğunda özel durum oluşur.

Machine Learning bu hata, bir count tablosu oluştururken ve etiket sütunu modül parametrelerinde belirttiğinizden farklı sayıda sınıf içerdiğinde oluşur.

Çözünürlük: Veri kümenizi denetleyin ve etiket sütununda tam olarak kaç ayrı değer (olası sınıf) olduğunu öğrenin. Count tablosunu oluştururken en az bu sayıda sınıf belirtmeniz gerekir.

Count tablosu, kullanılabilir sınıf sayısını otomatik olarak belirleyemez.

Count tablosunu oluşturduğunuzda, etiket sütunundaki gerçek sınıf sayısından küçük olan 0 veya herhangi bir sayı belirtemezsiniz.

Özel Durum İletileri
Sınıf sayısı yanlış. Parametre bölmesinde belirttiğiniz sınıf sayısının etiket sütunundaki sınıf sayısından büyük veya buna eşit olduğundan emin olun.
Belirtilen sınıf sayısı,{0} saymak için kullanılan veri kümesindeki '' etiket değerinden büyük olmayan '{1}'' sınıfıdır. Parametre bölmesinde belirttiğiniz sınıf sayısının etiket sütunundaki sınıf sayısından büyük veya buna eşit olduğundan emin olun.

Hata 0090

Hive tablosu oluşturma işlemi başarısız olduğunda özel durum oluşur.

Machine Learning'de bu hata, verileri bir HDInsight kümesine kaydetmek için Verileri Dışarı Aktar'ı veya başka bir seçeneği kullandığınızda oluşur ve belirtilen Hive tablosu oluşturulamaz.

Çözünürlük: Kümeyle ilişkili Azure depolama hesabı adını denetleyin ve modül özelliklerinde aynı hesabı kullandığınızı doğrulayın.

Özel Durum İletileri
Hive tablosu oluşturulamadı. HDInsight kümesi için kümeyle ilişkili Azure depolama hesabı adının modül parametresi aracılığıyla geçirilen adla aynı olduğundan emin olun.
"{0}" Hive tablosu oluşturulamadı. HDInsight kümesi için kümeyle ilişkili Azure depolama hesabı adının modül parametresi aracılığıyla geçirilen adla aynı olduğundan emin olun.
"{0}" Hive tablosu oluşturulamadı. HDInsight kümesi için kümeyle ilişkili Azure depolama hesabı adının "{1}" olduğundan emin olun.

Hata 0100

Özel modül için desteklenmeyen bir dil belirtildiğinde özel durum oluşur.

Machine Learning'de bu hata, özel bir modül oluştururken ve özel modül xml tanım dosyasındaki Language öğesinin name özelliği geçersiz bir değere sahip olduğunda oluşur. Şu anda, bu özellik için tek geçerli değer şeklindedir R. Örneğin:

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

Çözünürlük: Özel modül xml tanım dosyasındaki Language öğesinin name özelliğinin olarak Rayarlandığını doğrulayın. Dosyayı kaydedin, özel modül zip paketini güncelleştirin ve özel modülü eklemeyi yeniden deneyin.

Özel Durum İletileri
Desteklenmeyen özel modül dili belirtildi

Hata 0101

Tüm bağlantı noktası ve parametre kimlikleri benzersiz olmalıdır.

Machine Learning bu hata, özel modül XML tanım dosyasında bir veya daha fazla bağlantı noktası veya parametreye aynı kimlik değeri atandığında oluşur.

Çözünürlük: Tüm bağlantı noktaları ve parametrelerdeki kimlik değerlerinin benzersiz olup olmadığını denetleyin. Xml dosyasını kaydedin, özel modül zip paketini güncelleştirin ve özel modülü yeniden eklemeyi deneyin.

Özel Durum İletileri
Bir modülün tüm bağlantı noktası ve parametre kimlikleri benzersiz olmalıdır
'{0}' modülünde yinelenen bağlantı noktası/bağımsız değişken kimlikleri var. Tüm bağlantı noktası/bağımsız değişken kimlikleri bir modül için benzersiz olmalıdır.

Hata 0102

Zip dosyası ayıklanamadığında oluşturulur.

Machine Learning bu hata, .zip uzantısına sahip sıkıştırılmış bir paketi içeri aktarırken oluşur, ancak paket zip dosyası değildir veya dosya desteklenen zip biçimini kullanmaz.

Çözünürlük: Seçili dosyanın geçerli bir .zip dosyası olduğundan ve desteklenen sıkıştırma algoritmalarından biri kullanılarak sıkıştırıldığından emin olun.

Veri kümelerini sıkıştırılmış biçimde içeri aktarırken bu hatayı alırsanız, tüm kapsanan dosyaların desteklenen dosya biçimlerinden birini kullandığını ve Unicode biçiminde olduğunu doğrulayın. Daha fazla bilgi için bkz. Sıkıştırılmış Veri Kümelerinin Paketini Açma.

İstenen dosyaları sıkıştırılmış yeni bir klasöre okumayı deneyin ve özel modülü yeniden eklemeyi deneyin.

Özel Durum İletileri
Verilen ZIP dosyası doğru biçimde değil

Hata 0103

Zip dosyası herhangi bir .xml dosyası içermediğinde oluşturulur

özel modül zip paketi herhangi bir modül tanımı (.xml) dosyası içermediğinde Machine Learning bu hata oluşur. Bu dosyaların zip paketinin kökünde bulunması gerekir (örneğin, bir alt klasör içinde değil.)

Çözünürlük: Bir veya daha fazla xml modülü tanım dosyasını disk sürücünüzdeki geçici bir klasöre ayıklayarak zip paketinin kök klasöründe olduğunu doğrulayın. Tüm xml dosyaları doğrudan zip paketini ayıkladığınız klasörde olmalıdır. Zip paketini oluştururken, zip'e eklenecek xml dosyalarını içeren bir klasörü seçmediğinizden emin olun, bu işlem zip paketi içinde zip'i seçtiğiniz klasörle aynı ada sahip bir alt klasör oluşturur.

Özel Durum İletileri
Verilen ZIP dosyası herhangi bir modül tanım dosyası (.xml dosyaları) içermiyor

Hata 0104

Modül tanım dosyası bulunamayan bir betike başvurduğunda oluşturulur

Machine Learning'de bu hata, özel bir modül xml tanım dosyası zip paketinde bulunmayan Language öğesindeki bir betik dosyasına başvurduğunda oluşur. Betik dosyası yolu, Language öğesinin sourceFile özelliğinde tanımlanır. Kaynak dosyanın yolu zip paketinin köküne göredir (modül xml tanım dosyalarıyla aynı konum). Betik dosyası bir alt klasördeyse, betik dosyasının göreli yolu belirtilmelidir. Örneğin, tüm betikler zip paketindeki bir myScripts klasöründe depolanmışsa Language öğesinin bu yolu aşağıdaki gibi sourceFile özelliğine eklemesi gerekir. Örneğin:

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

Çözünürlük: Özel modül xml tanımının Language öğesindeki sourceFile özelliğinin değerinin doğru olduğundan ve kaynak dosyanın zip paketindeki doğru göreli yolda bulunduğundan emin olun.

Özel Durum İletileri
Başvuruda bulunılan R betik dosyası yok.
Başvurulan R betik dosyası '{0}' bulunamıyor. Dosyanın göreli yolunun tanımlar konumundan doğru olduğundan emin olun.

Hata 0105

Modül tanım dosyası desteklenmeyen bir parametre türü içerdiğinde bu hata görüntülenir

Machine Learning'deki bu hata, özel bir modül xml tanımı oluşturduğunuzda ve tanımdaki parametre veya bağımsız değişkenin türü desteklenen bir türle eşleşmediğinde oluşturulur.

Çözünürlük: Özel modül xml tanım dosyasındaki herhangi bir Arg öğesinin type özelliğinin desteklenen bir tür olduğundan emin olun.

Özel Durum İletileri
Desteklenmeyen parametre türü.
Desteklenmeyen '{0}' parametre türü belirtildi.

Hata 0106

Modül tanım dosyası desteklenmeyen bir giriş türü tanımladığında oluşturulur

özel modül XML tanımındaki bir giriş bağlantı noktasının türü desteklenen bir türle eşleşmediğinde Machine Learning bu hata oluşturulur.

Çözünürlük: Özel modül XML tanım dosyasındaki bir Input öğesinin type özelliğinin desteklenen bir tür olduğundan emin olun.

Özel Durum İletileri
Desteklenmeyen giriş türü.
Desteklenmeyen '{0}' giriş türü belirtildi.

Hata 0107

Modül tanım dosyası desteklenmeyen bir çıkış türü tanımladığında oluşturulur

özel modül xml tanımındaki bir çıkış bağlantı noktasının türü desteklenen bir türle eşleşmediğinde Machine Learning bu hata oluşturulur.

Çözünürlük: Özel modül xml tanım dosyasındaki bir Output öğesinin type özelliğinin desteklenen bir tür olduğundan emin olun.

Özel Durum İletileri
Desteklenmeyen çıkış türü.
Desteklenmeyen çıkış türü '{0}' belirtildi.

Hata 0108

Modül tanım dosyası desteklenenden daha fazla giriş veya çıkış bağlantı noktası tanımladığında oluşturulur

özel modül xml tanımında çok fazla giriş veya çıkış bağlantı noktası tanımlandığında Machine Learning bu hata oluşturulur.

Çözünürlük: Özel modül xml tanımında tanımlanan en fazla giriş ve çıkış bağlantı noktası sayısının desteklenen bağlantı noktası sayısı üst sınırını aşmadığından emin olur.

Özel Durum İletileri
Desteklenen giriş veya çıkış bağlantı noktası sayısı aşıldı.
Desteklenen '{0}' bağlantı noktası sayısı aşıldı. İzin verilen en fazla '{0}' bağlantı noktası sayısı : '{1}'.

Hata 0109

Modül tanım dosyası bir sütun seçiciyi yanlış tanımladığında oluşturulur

Machine Learning bu hata, sütun seçici bağımsız değişkeninin söz dizimi özel modül xml tanımında hata içerdiğinde oluşturulur.

Çözünürlük: Bu hata, bir sütun seçici bağımsız değişkeninin söz dizimi özel modül xml tanımında hata içerdiğinde oluşturulur.

Özel Durum İletileri
Sütun seçici için desteklenmeyen söz dizimi.

Hata 0110

Modül tanım dosyası var olmayan bir giriş bağlantı noktası kimliğine başvuran bir sütun seçici tanımladığında oluşturulur

Machine Learning bu hata, ColumnPicker türünde bir Arg'nin Properties öğesindeki portId özelliği bir giriş bağlantı noktasının kimlik değeriyle eşleşmediğinde oluşturulur.

Çözünürlük: portId özelliğinin özel modül xml tanımında tanımlanan giriş bağlantı noktasının kimlik değeriyle eşleştiğinden emin olun.

Özel Durum İletileri
Sütun seçici mevcut olmayan bir giriş bağlantı noktası kimliğine başvurur.
Sütun seçici mevcut olmayan ''{0} giriş bağlantı noktası kimliğine başvurur.

Hata 0111

Modül tanım dosyası geçersiz bir özellik tanımladığında oluşturulur

Machine Learning'de bu hata, özel modül XML tanımındaki bir öğeye geçersiz bir özellik atandığında oluşturulur.

Çözünürlük: özelliğinin özel modül öğesi tarafından desteklendiğinden emin olun.

Özel Durum İletileri
Özellik tanımı geçersiz.
'{0}' özellik tanımı geçersiz.

Hata 0112

Modül tanım dosyası ayrıştırılamadıklarında oluşturulur

Machine Learning'daki bu hata, xml biçiminde özel modül XML tanımının geçerli bir XML dosyası olarak ayrıştırılmasını engelleyen bir hata olduğunda oluşturulur.

Çözünürlük: Her öğenin doğru şekilde açıldığından ve kapatıldığından emin olun. XML biçimlendirmesinde hata olmadığından emin olun.

Özel Durum İletileri
Modül tanım dosyası ayrıştırılamıyor.
''{0} modül tanım dosyası ayrıştırılamıyor.

Hata 0113

Modül tanım dosyası hatalar içerdiğinde oluşturulur.

özel modül XML tanım dosyası ayrıştırılabilir ancak özel modüller tarafından desteklenmeyen öğelerin tanımı gibi hatalar içerdiğinde Machine Learning bu hata oluşturulur.

Çözünürlük: Özel modül tanım dosyasının özel modüller tarafından desteklenen öğeleri ve özellikleri tanımladığından emin olun.

Özel Durum İletileri
Modül tanım dosyası hatalar içeriyor.
'{0}' modül tanım dosyası hatalar içeriyor.
'{0}' modül tanım dosyası hatalar içeriyor. {1}

Hata 0114

Özel modül oluşturma işlemi başarısız olduğunda oluşturulur.

Machine Learning'deki bu hata, özel modül derlemesi başarısız olduğunda oluşturulur. Bu, özel modül eklenirken bir veya daha fazla özel modülle ilgili hatayla karşılaşıldığında oluşur. Bu hata iletisinde ek hatalar bildirilir.

Çözünürlük: Bu özel durum iletisinde bildirilen hataları düzeltin.

Özel Durum İletileri
Özel modül oluşturulamadı.
Özel modül derlemeleri hatalarla başarısız oldu: {0}

Hata 0115

Özel modül varsayılan betiği desteklenmeyen bir uzantıya sahip olduğunda oluşturulur.

Machine Learning'de bu hata, bilinmeyen bir dosya adı uzantısı kullanan özel bir modül için betik sağladığınızda oluşur.

Çözünürlük: Özel modüle dahil edilen tüm betik dosyalarının dosya biçimini ve dosya adı uzantısını doğrulayın.

Özel Durum İletileri
Varsayılan betik için desteklenmeyen uzantı.
Varsayılan betik için desteklenmeyen dosya uzantısı {0} .

Hata 0121

Tablo yazılamaz olduğundan SQL yazma işlemi başarısız olduğunda oluşturulur

Machine Learning bu hata, sonuçları SQL veritabanındaki bir tabloya kaydetmek için Verileri Dışarı Aktarma modülünü kullandığınızda oluşturulur ve tabloya yazılamaz. Genellikle Verileri Dışarı Aktarma modülü SQL Server örneğiyle başarıyla bağlantı kurarsa ancak Azure ML veri kümesinin içeriğini tabloya yazamazsa bu hatayı görürsünüz.

Çözüm:

• Verileri Dışarı Aktar modülünün Özellikler bölmesini açın ve veritabanı ve tablo adlarının doğru girildiğini doğrulayın.
• Dışarı aktardığınız veri kümesinin şemasını gözden geçirin ve verilerin hedef tabloyla uyumlu olduğundan emin olun.
• Kullanıcı adı ve parolayla ilişkili SQL oturum açma işleminin tabloya yazma izinlerine sahip olduğunu doğrulayın.
• Özel durum SQL Server ek hata bilgileri içeriyorsa, düzeltmeler yapmak için bu bilgileri kullanın.

Özel Durum İletileri
Sunucuya bağlı, tabloya yazılamıyor.
Sql tablosuna yazılamıyor: {0}

Hata 0122

Birden çok ağırlık sütunu belirtilirse ve yalnızca birine izin verilirse özel durum oluşur.

Machine Learning'de bu hata, ağırlık sütunları olarak çok fazla sütun seçildiğinde oluşur.

Çözünürlük: Giriş veri kümesini ve meta verilerini gözden geçirin. Yalnızca bir sütunun ağırlık içerdiğini doğrulayın.

Özel Durum İletileri
Birden çok ağırlık sütunu belirtilir.

Hata 0123

Vektör sütunu Etiket sütunu olarak belirtilirse özel durum oluşur.

Etiket sütunu olarak bir vektör kullandığınızda Machine Learning bu hata oluşur.

Çözünürlük: Gerekirse sütunun veri biçimini değiştirin veya farklı bir sütun seçin.

Özel Durum İletileri
Vektör sütunu Etiket sütunu olarak belirtilir.

Hata 0124

Sayısal olmayan sütunlar ağırlık sütunu olarak belirtilirse özel durum oluşur.

Çözüm:

Özel Durum İletileri
Sayısal olmayan sütun, ağırlık sütunu olarak belirtilir.

Hata 0125

Birden çok veri kümesinin şeması eşleşmediğinde oluşturulur.

Çözüm:

Özel Durum İletileri
Veri kümesi şeması eşleşmiyor.

Hata 0126

Kullanıcı Azure ML'de desteklenmeyen bir SQL etki alanı belirtirse özel durum oluşur.

Bu hata, kullanıcı Machine Learning'da desteklenmeyen bir SQL etki alanı belirttiğinde oluşturulur. İzin verilenler listesinde olmayan bir etki alanındaki veritabanı sunucusuna bağlanmaya çalıştığınızda bu hatayı alırsınız. Şu anda izin verilen SQL etki alanları şunlardır: ".database.windows.net", ".cloudapp.net" veya ".database.secure.windows.net". Yani, sunucunun bir Azure SQL sunucusu veya Azure'daki bir sanal makinede yer alan bir sunucu olması gerekir.

Çözünürlük: Modülü yeniden ziyaret edin. SQL veritabanı sunucusunun kabul edilen etki alanlarından birine ait olduğunu doğrulayın:

• .database.windows.net

• .cloudapp.net

• .database.secure.windows.net

Özel Durum İletileri
Desteklenmeyen SQL etki alanı.
SQL etki alanı {0} şu anda Azure ML'de desteklenmiyor

Hata 0127

Görüntü piksel boyutu izin verilen sınırı aşıyor

Sınıflandırma için bir görüntü veri kümesinden görüntü okuyorsanız ve görüntüler modelin işleyebileceğinden daha büyükse bu hata oluşur.

Çözünürlük: Görüntü boyutu ve diğer gereksinimler hakkında daha fazla bilgi için şu konulara bakın:

• Görüntüleri İçeri Aktar

• Önceden Eğitilmiş Art Arda Görüntü Sınıflandırması

Özel Durum İletileri
Görüntü pikseli boyutu izin verilen sınırı aşıyor.
'{0}' dosyasındaki görüntü piksel boyutu izin verilen sınırı aşıyor: '{1}'

Hata 0128

Kategorik sütunlar için koşullu olasılık sayısı sınırı aşıyor.

Çözüm:

Özel Durum İletileri
Kategorik sütunlar için koşullu olasılık sayısı sınırı aşıyor.
Kategorik sütunlar için koşullu olasılık sayısı sınırı aşıyor. '{0}' ve '{1}' sütunları sorunlu çiftlerdir.

Hata 0129

Veri kümesindeki sütun sayısı izin verilen sınırı aşıyor.

Çözüm:

Özel Durum İletileri
Veri kümesindeki sütun sayısı izin verilen sınırı aşıyor.
'{0}' içindeki veri kümesindeki sütun sayısı izin verileni aşıyor.'
'{0}' içindeki veri kümesindeki sütun sayısı izin verilen ''{1} sınırını aşıyor.'
'{0}' içindeki veri kümesindeki sütun sayısı izin verilen '' sınırını aşıyor '{1}{2}'.'

Hata 0130

Eğitim veri kümesindeki tüm satırlar eksik değerler içerdiğinde özel durum oluşur.

Bu, eğitim veri kümesindeki bir sütun boş olduğunda oluşur.

Çözünürlük:Eksik Verileri Temizleme modülünü kullanarak tüm eksik değerlere sahip sütunları kaldırın.

Özel Durum İletileri
Eğitim veri kümesindeki tüm satırlar eksik değerler içeriyor. Eksik değerleri kaldırmak için Eksik Verileri Temizleme modülünü kullanmayı göz önünde bulundurun.

Hata 0131

Zip dosyasındaki bir veya daha fazla veri kümesinin sıkıştırması açılamıyor ve doğru kaydedilemiyorsa özel durum oluşur

Bu hata, zip dosyasındaki bir veya daha fazla veri kümesinin sıkıştırması açılamıyor ve doğru okunamıyorsa oluşur. Zip dosyasının kendisi veya içindeki dosyalardan biri bozuk olduğundan veya dosyayı açmaya ve genişletmeye çalışırken bir sistem hatası oluştuğundan paketi açma işlemi başarısız olursa bu hatayı alırsınız.

Çözünürlük: Nasıl devam edileceğini belirlemek için hata iletisinde sağlanan ayrıntıları kullanın.

Özel Durum İletileri
Sıkıştırılmış veri kümelerini Upload başarısız oldu
Sıkıştırılmış veri kümesi {0} aşağıdaki iletiyle başarısız oldu: {1}
Sıkıştırılmış veri kümesi {0} şu özel durumla {1} başarısız oldu: {2}

Hata 0132

Paketi açmak için hiçbir dosya adı belirtilmedi; zip dosyasında birden çok dosya bulundu.

Bu hata, paketi açmak için hiçbir dosya adı belirtilmediğinde oluşturulur; zip dosyasında birden çok dosya bulundu. .zip dosyası birden fazla sıkıştırılmış dosya içeriyorsa ancak modülün Özellik bölmesindeki Paketi Kaldırılacak Veri Kümesi metin kutusunda ayıklama için bir dosya belirtmediyseniz bu hatayı alırsınız. Şu anda modül her çalıştırıldığında yalnızca bir dosya ayıklanabilir.

Çözünürlük: Hata iletisi, .zip dosyasında bulunan dosyaların listesini sağlar. İstediğiniz dosyanın adını kopyalayın ve Veri Kümesi'nin Paketini Aç metin kutusuna yapıştırın.

Özel Durum İletileri
Zip dosyası birden çok dosya içerir; genişletecek dosyayı belirtmeniz gerekir.
Dosya birden fazla dosya içeriyor. Genişletecek dosyayı belirtin. Aşağıdaki dosyalar bulundu: {0}

Hata 0133

Belirtilen dosya zip dosyasında bulunamadı

Özellik bölmesinin Paketten Çıkarılan Veri Kümesi alanına girilen dosya adı, .zip dosyasında bulunan hiçbir dosyanın adıyla eşleşmediğinde bu hata oluşur. Bu hatanın en yaygın nedenleri yazma hatası veya dosyanın genişletilmesi için yanlış arşiv dosyasında arama yapmaktır.

Çözünürlük: Modülü yeniden ziyaret edin. Sıkıştırmasını açmak istediğiniz dosyanın adı bulunan dosyalar listesinde görünüyorsa, dosya adını kopyalayın ve Paketi Açmak için Veri Kümesi özellik kutusuna yapıştırın. listede istenen dosya adını görmüyorsanız, doğru .zip dosyasına ve istenen dosya için doğru ada sahip olduğunuzu doğrulayın.

Özel Durum İletileri
Belirtilen dosya zip dosyasında bulunamadı.
Belirtilen dosya bulunamadı. Aşağıdaki dosyaları bulduk: {0}

Hata 0134

Etiket sütunu eksik olduğunda veya etiketlenmiş satır sayısı yetersiz olduğunda özel durum oluşur.

Bu hata, modül bir etiket sütunu gerektirdiğinde, ancak sütun seçimine bir sütun eklemediğinizde veya etiket sütununda çok fazla değer eksik olduğunda oluşur.

Bu hata, önceki bir işlem veri kümesini, aşağı akış işlemi için yetersiz satırlar kullanılabilir olacak şekilde değiştirdiğinde de oluşabilir. Örneğin, bir veri kümesini değerlere bölmek için Bölüm ve Örnek modülünde bir ifade kullandığınızı varsayalım. İfadeniz için eşleşme bulunmazsa, bölümden kaynaklanan veri kümelerinden biri boş olur.

Çözüm:

Sütun seçimine bir etiket sütunu eklerseniz ancak sütun tanınmıyorsa, bunu etiket sütunu olarak işaretlemek için Meta Verileri Düzenle modülünü kullanın.

Her sütunda kaç değerin eksik olduğunu gösteren bir rapor oluşturmak için Verileri Özetle modülünü kullanın. Ardından, etiket sütununda eksik değerlere sahip satırları kaldırmak için Eksik Verileri Temizleme modülünü kullanabilirsiniz.

Giriş veri kümelerinizi denetleerek geçerli veriler ve işlemin gereksinimlerini karşılamak için yeterli satır içerdiğinden emin olun. Çok sayıda algoritma, en az sayıda veri satırına ihtiyaç duyuyorsa bir hata iletisi oluşturur, ancak veriler yalnızca birkaç satır veya yalnızca bir üst bilgi içerir.

Özel Durum İletileri
Etiket sütunu eksik olduğunda veya etiketlenmiş satır sayısı yetersiz olduğunda özel durum oluşur.
Etiket sütunu eksikse veya etiketlenmiş satırlardan küçükse {0} özel durum oluşur

Hata 0135

Yalnızca centroid tabanlı küme desteklenir.

Çözünürlük: Kümeyi başlatmak için centroid kullanmayan özel bir kümeleme algoritmasını temel alan bir kümeleme modelini değerlendirmeye çalıştıysanız bu hata iletisiyle karşılaşabilirsiniz.

K-Ortalamalar Kümeleme modülünü temel alan kümeleme modellerini değerlendirmek için Modeli Değerlendir'i kullanabilirsiniz. Özel algoritmalar için R Betiği Yürütme modülünü kullanarak özel bir değerlendirme betiği oluşturun.

Özel Durum İletileri
Yalnızca centroid tabanlı küme desteklenir.

Hata 0136

Hiçbir dosya adı döndürülmedi; sonuç olarak dosya işlenemedi.

Çözüm:

Özel Durum İletileri
Hiçbir dosya adı döndürülmedi; sonuç olarak dosya işlenemedi.

Hata 0137

Azure Depolama SDK'sı, okuma veya yazma sırasında tablo özellikleriyle veri kümesi sütunları arasında dönüştürme hatasıyla karşılaştı.

Çözüm:

Özel Durum İletileri
Azure tablo depolama özelliği ile veri kümesi sütunu arasında dönüştürme hatası.
Azure tablo depolama özelliği ile veri kümesi sütunu arasında dönüştürme hatası. Ek bilgiler: {0}

Hata 0138

Bellek tükendi, modülün çalıştırılması tamamlanamadı. Veri kümesinin örneklenmesi sorunu hafifletmeye yardımcı olabilir.

Bu hata, çalışan modül Azure kapsayıcısında bulunandan daha fazla bellek gerektirdiğinde oluşur. Büyük bir veri kümesiyle çalışıyorsanız ve geçerli işlem belleğe sığamıyorsa bu durum oluşabilir.

Çözünürlük: Büyük bir veri kümesini okumaya çalışıyorsanız ve işlem tamamlanamıyorsa, veri kümesinin örneklenmesi yararlı olabilir.

Sütunların kardinalitesini denetlemek için veri kümelerindeki görselleştirmeleri kullanırsanız yalnızca bazı satırlar örneklenir. Raporun tamamını almak için Verileri Özetle'yi kullanın. Her sütundaki benzersiz değerlerin sayısını denetlemek için SQL Dönüştürme uygula'yı da kullanabilirsiniz.

Bazen geçici yükler bu hataya neden olabilir. Makine desteği de zaman içinde değişir. Desteklenen veri boyutunun açıklaması için Machine Learning SSS bölümüne bakın.

Veri kümenizi daha küçük bir özellik açısından zengin sütun kümesine küçültmek için Asıl Bileşen Analizi'ni veya sağlanan özellik seçimi yöntemlerinden birini kullanmayı deneyin: Özellik Seçimi

Özel Durum İletileri
Bellek tükendi, modülün çalıştırılması tamamlanamadı.

Hata 0139

Bir sütunu başka bir türe dönüştürmek mümkün olmadığında özel durum oluşur.

Machine Learning bu hata, bir sütunu farklı bir veri türüne dönüştürmeye çalıştığınızda oluşur, ancak bu tür geçerli işlem veya modül tarafından desteklenmez.

Hata, bir modül verileri geçerli modülün gereksinimlerini karşılayacak şekilde örtük olarak dönüştürmeye çalıştığında da görünebilir, ancak dönüştürme mümkün değildir.

Çözüm:

1. Giriş verilerinizi gözden geçirin ve kullanmak istediğiniz sütunun tam veri türünü ve hatayı oluşturan sütunun veri türünü belirleyin. Bazen veri türünün doğru olduğunu düşünebilirsiniz, ancak bir yukarı akış işleminin bir sütunun veri türünü veya kullanımını değiştirdiğini fark edebilirsiniz. Sütun meta verilerini özgün durumuna sıfırlamak için Meta Verileri Düzenle modülünü kullanın.

2. Belirtilen işlemin gereksinimlerini doğrulamak için modül yardım sayfasına bakın. Geçerli modül tarafından hangi veri türlerinin destekleneceğini ve hangi değer aralığının destekleneceğini belirleyin.

3. Değerlerin kesilmesi, yuvarlanmış veya aykırı değerlerin kaldırılması gerekiyorsa, düzeltmeler yapmak için Matematik İşlemi Uygula veya Değerleri Kırp modüllerini kullanın.

4. Sütunu farklı bir veri türüne dönüştürmenin veya atamanın mümkün olup olmadığını göz önünde bulundurun. Aşağıdaki modüllerin tümü verileri değiştirmek için önemli esneklik ve güç sağlar:

   • SQL Dönüşümü Uygulama
   • R Betiği yürütme
   • Python Betiği yürütme.

Özel Durum İletileri
Dönüştürmeye izin verilmiyor.
Dönüştürülemedi: {0}.
Dönüştürülemedi: {0}, satırında {1}.
türündeki {0} sütun, satırındaki {2}türün sütununa {1} dönüştürülemedi.
türündeki {0} "{2}" sütunu satırdaki {3}türündeki {1} sütuna dönüştürülemedi.
türündeki "{2}" sütunu satırdaki {4}türün {0}{1} "{3}" sütununa dönüştürülemedi.

Hata 0140

Geçirilen sütun kümesi bağımsız değişkeni etiket sütunu dışında başka sütunlar içermiyorsa özel durum oluşur.

Bu hata, bir veri kümesini özellikler de dahil olmak üzere birden çok sütun gerektiren bir modüle bağladıysanız ancak yalnızca etiket sütununu sağladıysanız oluşur.

Çözünürlük: Veri kümesine eklenecek en az bir özellik sütunu seçin.

Özel Durum İletileri
Belirtilen sütun kümesi etiket sütunu dışında başka sütunlar içermiyor.

Hata 0141

Kategorik ve dize sütunlarındaki seçili sayısal sütunların ve benzersiz değerlerin sayısı çok küçükse özel durum oluşur.

Machine Learning bu hata, seçili sütunda işlemi gerçekleştirmek için yeterli benzersiz değer olmadığında oluşur.

Çözünürlük: Bazı işlemler özellik ve kategorik sütunlarda istatistiksel işlemler gerçekleştirir ve yeterli değer yoksa işlem başarısız olabilir veya geçersiz bir sonuç döndürebilir. Fature ve etiket sütunlarında kaç değer olduğunu görmek için veri kümenizi denetleyin ve gerçekleştirmeye çalıştığınız işlemin istatistiksel olarak geçerli olup olmadığını belirleyin.

Kaynak veri kümesi geçerliyse, bazı yukarı akış veri işleme veya meta veri işlemlerinin verileri değiştirip değiştirmediğini ve bazı değerleri kaldırıp kaldırmadığını da de kontrol edebilirsiniz.

Yukarı akış işlemleri bölme, örnekleme veya yeniden örnekleme içeriyorsa, çıkışların beklenen satır ve değer sayısını içerdiğini doğrulayın.

Özel Durum İletileri
Kategorik ve dize sütunlarında seçili sayısal sütunların ve benzersiz değerlerin sayısı çok küçük.
Kategorik ve dize sütunlarında (şu anda {0}) seçili sayısal sütunların ve benzersiz değerlerin toplam sayısı en az {1}

Hata 0142

Sistem kimlik doğrulaması için sertifika yükleyemediğinde özel durum oluşur.

Çözüm:

Özel Durum İletileri
Sertifika yüklenemiyor.
Sertifika {0} yüklenemiyor. Parmak izi şeklindedir {1}.

Hata 0143

GitHub olması gereken kullanıcı tarafından sağlanan URL ayrıştırılamıyor.

Machine Learning'de bu hata, geçersiz bir URL belirttiğinizde ve modül geçerli bir GitHub URL'si gerektirdiğinde oluşur.

Çözünürlük: URL'nin geçerli bir GitHub deposuna başvurduğunu doğrulayın. Diğer site türleri desteklenmez.

Özel Durum İletileri
URL github.com'dan değil.
URL github.com değil: {0}

Hata 0144

Kullanıcı tarafından sağlanan GitHub URL'sinde beklenen bölüm eksik.

Machine Learning'de bu hata, geçersiz URL biçimi kullanan bir GitHub dosya kaynağı belirttiğinizde oluşur.

Çözünürlük: GitHub deposunun URL'sinin geçerli olup olmadığını ve \blob\ veya \tree\ ile sona erdiğini denetleyin.

Özel Durum İletileri
GitHub URL ayrıştırılamıyor.
GitHub URL ayrıştırılamıyor (depo adından sonra '\blob\' veya '\tree\' bekleniyor):{0}

Hata 0145

Herhangi bir nedenle çoğaltma dizini oluşturulamıyor.

Machine Learning'de bu hata, modül belirtilen dizini oluşturamadığında oluşur.

Çözüm:

Özel Durum İletileri
Çoğaltma dizini oluşturulamıyor.

Hata 0146

Kullanıcı dosyalarının sıkıştırması yerel dizine açılırsa, birleşik yol çok uzun olabilir.

Machine Learning bu hata, dosyaları ayıklarken oluşur ancak bazı dosya adları sıkıştırması kaldırıldığında çok uzun olur.

Çözünürlük: Birleştirilmiş yol ve dosya adı 248 karakterden uzun olmayacak şekilde dosya adlarını düzenleyin.

Özel Durum İletileri
Çoğaltma yolu 248 karakterden uzun, betik adını veya yolunu kısaltın.

Hata 0147

herhangi bir nedenle GitHub'dan bir şey indirilemedi

Machine Learning'de bu hata, belirtilen dosyaları GitHub okuyamadığınızda veya indiremediğinizde oluşur.

Çözünürlük: Sorun geçici olabilir; dosyalara başka bir zamanda erişmeyi deneyebilirsiniz. Veya gerekli izinlere sahip olduğunuzu ve kaynağın geçerli olduğunu doğrulayın.

Özel Durum İletileri
erişim hatası GitHub.
erişim hatası GitHub. {0}

Hata 0148

Verileri ayıklarken veya dizin oluştururken yetkisiz erişim sorunları.

Machine Learning bu hata, bir dizin oluşturmaya veya depolamadan veri okumaya çalıştığınızda ancak gerekli izinlere sahip olmadığınızda oluşur.

Çözüm:

Özel Durum İletileri
Veri ayıklanırken yetkisiz erişim özel durumu.

Hata 0149

Kullanıcı dosyası GitHub paketi içinde yok.

Machine Learning'de bu hata, belirtilen dosya bulunamadığında oluşur.

Çözüm:

Özel Durum İletileri
GitHub dosyası bulunamadı.
GitHub dosyası bulunamadı.:{0}

Hata 0150

Büyük olasılıkla GitHub dosyalarıyla çakışma nedeniyle kullanıcı paketinden gelen betiklerin sıkıştırması kaldırılamadı.

Machine Learning'de bu hata, genellikle aynı ada sahip mevcut bir dosya olduğunda betik ayıklanamadığında oluşur.

Çözüm:

Özel Durum İletileri
Paket açılamıyor; GitHub dosyalarıyla olası ad çakışması.

Hata 0151

Bulut depolamaya yazılırken bir hata oluştu. URL'yi denetleyin.

Machine Learning bu hata, modül bulut depolamaya veri yazmaya çalıştığında ancak URL kullanılamaz veya geçersiz olduğunda oluşur.

Çözüm: URL'yi denetleyin ve yazılabilir olduğunu doğrulayın.

Özel Durum İletileri
Bulut depolamaya yazma hatası (büyük olasılıkla hatalı url).
Bulut depolamaya yazma hatası: {0}. URL'yi denetleyin.

Hata 0152

Azure bulut türü modül bağlamında yanlış belirtildi.

Özel durum iletileri
Hatalı Azure Bulut Türü
Hatalı Azure Bulut Türü: {0}

Hata 0153

Belirtilen depolama bitiş noktası geçersiz.

Özel Durum İletileri
Hatalı Azure Bulut Türü
Hatalı Depolama Bitiş Noktası:{0}

Hata 0154

Belirtilen sunucu adı çözümlenemedi

Özel Durum İletileri
Belirtilen sunucu adı çözümlenemedi
Belirtilen .documents.azure.com sunucusu {0}çözümlenemedi

Hata 0155

DocDb İstemcisi özel durum oluşturdu

Özel Durum İletileri
DocDb İstemcisi özel durum oluşturdu
DocDb İstemcisi: {0}

Hata 0156

HCatalog Sunucusu için hatalı yanıt.

Özel Durum İletileri
HCatalog Sunucusu için hatalı yanıt. Tüm hizmetlerin çalışıp çalışmadığını denetleyin.
HCatalog Sunucusu için hatalı yanıt. Tüm hizmetlerin çalışıp çalışmadığını denetleyin. Hata ayrıntıları: {0}

Hata 0157

Tutarsız veya farklı belge şemaları nedeniyle Azure Cosmos DB'den okuma hatası oluştu. Okuyucu, tüm belgelerin aynı şemaya sahip olmasını gerektirir.

Özel Durum İletileri
Farklı şemalara sahip belgeler algılandı. Tüm belgelerin aynı şemaya sahip olduğundan emin olun

Hata 1000

İç kitaplık özel durumu.

Bu hata, işlenmeyen iç altyapı hatalarını yakalamak için sağlanır. Bu nedenle, bu hatanın nedeni hatayı oluşturan modüle bağlı olarak farklı olabilir.

Daha fazla yardım almak için hataya eşlik eden ayrıntılı iletiyi Machine Learning forumuna göndermenizi ve giriş olarak kullanılan veriler de dahil olmak üzere senaryonun açıklamasını göndermenizi öneririz. Bu geri bildirim hatalara öncelik vermemize ve daha fazla çalışma için en önemli sorunları belirlememize yardımcı olacaktır.

Özel Durum İletileri
Kitaplık özel durumu.
Kitaplık özel durumu: {0}
{0} kitaplık özel durumu: {1}

Daha fazla yardım

Modül hata kodları

Machine Learning için daha fazla yardıma veya sorun giderme ipuçlarına mı ihtiyacınız var? Şu kaynakları deneyin:

• Sorun giderme kılavuzu: Machine Learning çalışma alanı oluşturun ve bağlanın
• Machine Learning Sık Sorulan Sorular (SSS)