17370845950

本文详解为何调用 `mlflow.set_experiment()` 报连接拒绝错误，核心原因在于未启动本地 mlflow 后端服务；只需一条命令启动服务器，即可正常使用实验管理、模型记录与指标追踪功能。

你遇到的错误：

MlflowException: API request to https://www./link/1ce5e897cda6aeb211dffe8d514f4365/api/2.0/mlflow/experiments/get-by-name failed with exception ...
Caused by NewConnectionError(... [WinError 10061] Aucune connexion n’a pu être établie car l’ordinateur cible l’a expressément refusée)

本质上不是权限或认证问题，而是 MLflow 客户端试图连接一个根本不存在的服务端口 —— 你在代码中执行了：

mlflow.set_tracking_uri("https://www./link/1ce5e897cda6aeb211dffe8d514f4365")
mlflow.set_experiment("MLflow Quickstart")

但此时本地并未运行 MLflow Tracking Server，端口 8080 处没有任何服务监听，因此操作系统直接拒绝连接（Windows 错误码 10061 即明确表示“目标机器主动拒接”）。

✅ 正确做法：在运行 Python 脚本前，先启动 MLflow 后端服务。

? 启动本地 MLflow Tracking Server

打开终端（Windows PowerShell / macOS/Linux Terminal），执行以下命令：

mlflow server \
  --host 127.0.0.1 \
  --port 8080 \
  --backend-store-uri sqlite:///mlflow.db \
  --default-artifact-root ./mlruns

? 参数说明：

• --host 和 --port：指定服务监听地址（与代码中 set_tracking_uri 保持一致）；
• --backend-store-uri：使用 SQLite 数据库存储实验、运行元数据（首次运行会自动创建 mlflow.db）；
• --default-artifact-root：指定模型、日志等二进制文件的本地存储路径（默认为当前目录下的 ./mlruns）。

✅ 提示：若提示 mlflow: command not found，请先安装： pip install mlflow

✅ 验证服务已就绪

启动后，终端将输出类似日志：

Running the mlflow tracking server on https://www./link/1ce5e897cda6aeb211dffe8d514f4365

此时打开浏览器访问 https://www./link/1ce5e897cda6aeb211dffe8d514f4365，即可看到 MLflow UI 界面 —— 这是关键验证步骤。

? 完整可运行示例（含实验创建 + 训练记录）

启动服务后，再运行你的 Python 脚本（推荐添加异常处理和上下文管理）：

import mlflow
from mlflow.models import infer_signature
import pandas as pd
from sklearn import datasets
from sklearn.
model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# ✅ 确保 URI 与启动 server 时一致
mlflow.set_tracking_uri("https://www./link/1ce5e897cda6aeb211dffe8d514f4365")
mlflow.set_experiment("MLflow Quickstart")  # 自动创建实验（若不存在）

# 开始一次训练运行
with mlflow.start_run():
    # 加载数据
    X, y = datasets.make_classification(n_samples=1000, n_features=10, random_state=42)
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

    # 训练模型
    model = LogisticRegression()
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)

    # 记录参数与指标
    mlflow.log_param("model_type", "LogisticRegression")
    mlflow.log_metric("accuracy", accuracy_score(y_test, y_pred))
    mlflow.log_metric("precision", precision_score(y_test, y_pred))
    mlflow.log_metric("recall", recall_score(y_test, y_pred))
    mlflow.log_metric("f1", f1_score(y_test, y_pred))

    # 记录模型（可选）
    signature = infer_signature(X_train, model.predict(X_train))
    mlflow.sklearn.log_model(model, "model", signature=signature)

print("✅ Run completed. Check https://www./link/1ce5e897cda6aeb211dffe8d514f4365 for results.")

运行后，刷新 MLflow UI 页面，即可看到新实验、运行记录、指标图表与模型卡片。

⚠️ 注意事项

• 服务需持续运行：MLflow Server 是长期进程，不要关闭终端；建议使用 nohup（Linux/macOS）或后台任务（Windows）守护。
• 端口冲突？ 若 8080 已被占用，可换用 --port 5000，并同步更新 set_tracking_uri。
• 跨环境注意路径：--default-artifact-root 使用相对路径时，确保 Python 脚本与 Server 启动目录一致，或改用绝对路径（如 file:///full/path/to/mlruns）。
• 无需 Databricks：本地 SQLite + 文件系统完全满足学习与中小项目需求；Databricks 是云托管方案，非必需。

✅ 总结

只要服务就绪，mlflow.set_experiment() 将自动创建实验（若不存在），后续所有 log_param/log_metric/log_model 均可正常持久化。现在，你已具备完整的本地 MLflow 追踪能力 —— 从零部署，开箱即用。