如何在本地启动 MLflow 跟踪服务器并正确设置实验

本文详解为何调用 mlflow.set_experiment() 会报连接拒绝错误，并手把手教你启动本地 mlflow 后端服务，完成实验创建、模型训练与指标记录的完整闭环。

MLflow 的跟踪（Tracking）功能依赖一个后端服务来持久化实验、运行、参数和指标。当你执行 mlflow.set_experiment(

"MLflow Quickstart") 时，MLflow 会尝试向配置的 tracking URI（如 http://127.0.0.1:8080）发起 HTTP 请求，查询或创建同名实验。但若此时本地并未运行 MLflow 服务进程，该请求将因“目标地址无监听服务”而失败——这正是你看到的 WinError 10061（连接被目标主机明确拒绝）的根本原因。

✅ 正确做法：先启动 MLflow Tracking Server，再运行你的 Python 脚本。

1. 启动本地 MLflow 服务

在终端（Windows PowerShell / CMD / macOS/Linux Terminal）中执行以下命令：

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

• --host 和 --port：指定服务监听地址，需与代码中 set_tracking_uri() 保持一致；
• --backend-store-uri：使用 SQLite 数据库存储元数据（实验/运行信息），首次运行会自动创建 mlflow.db 文件；
• --default-artifact-root：指定模型、日志等二进制文件的默认存储路径（本地目录 ./mlruns）。

✅ 提示：确保已安装 MLflow（pip install mlflow）。启动成功后，终端将显示类似 Running the MLflow tracking server at http://127.0.0.1:8080 的提示，并自动打开 Web UI（浏览器访问 http://127.0.0.1:8080 即可查看实验仪表盘）。

2. 修改并运行你的 Python 脚本

确认服务已运行后，再执行如下完整示例（含实验设置、模型训练与日志记录）：

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

# ✅ 确保服务已启动后再设置 URI 和实验
mlflow.set_tracking_uri("http://127.0.0.1:8080")
mlflow.set_experiment("MLflow Quickstart")

# 开始一次新运行
with mlflow.start_run():
    # 加载数据
    iris = datasets.load_iris()
    X_train, X_test, y_train, y_test = train_test_split(
        iris.data, iris.target, test_size=0.2, random_state=42
    )

    # 训练模型
    clf = LogisticRegression(max_iter=200)
    clf.fit(X_train, y_train)
    y_pred = clf.predict(X_test)

    # 记录参数与指标
    mlflow.log_param("model_type", "LogisticRegression")
    mlflow.log_param("max_iter", 200)

    mlflow.log_metric("accuracy", accuracy_score(y_test, y_pred))
    mlflow.log_metric("precision", precision_score(y_test, y_pred, average="weighted"))
    mlflow.log_metric("recall", recall_score(y_test, y_pred, average="weighted"))
    mlflow.log_metric("f1", f1_score(y_test, y_pred, average="weighted"))

    # 记录模型（自动推断 signature）
    signature = infer_signature(X_train, clf.predict(X_train))
    mlflow.sklearn.log_model(clf, "model", signature=signature)

    print("✅ Run logged successfully! Check http://127.0.0.1:8080")

⚠️ 注意事项

• 服务必须前置运行：Python 脚本不能替代 mlflow server；它只是客户端。
• 端口冲突？ 若 8080 已被占用，可改用 --port 5000 并同步更新 set_tracking_uri("http://127.0.0.1:5000")。
• 权限问题（Windows）：某些环境需以管理员身份运行终端启动服务；若仍报错，尝试关闭防火墙或杀毒软件临时拦截。
• Databricks 替代方案：若注册 Databricks 账户持续失败，推荐使用 Databricks Community Edition（免费且无需人工审核），或坚持本地 SQLite + 文件存储方案，完全满足学习与中小项目需求。

至此，你已打通 MLflow 本地跟踪全流程：服务启动 → 实验定义 → 运行记录 → Web 可视化。后续可进一步探索模型注册（Model Registry）、项目打包（Projects）与部署（Models Serving）等高级能力。

# ai  # 后端  # 闭环  # 当你  # python  # windows  # 已被  # 推荐使用  # 首次  # 浏览器  # mac  # win  # ui  # linux  # 防火墙  # 端口  # default  # http  # macos  # cos  # 数据库  # 报错  # 杀毒软件  # 根本原因  # 会报  # 手把手教你  # sqlite  # pip 

相关栏目： <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 AI推广<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 SEO优化<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 技术百科<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 谷歌推广<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 百度推广<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 网络营销<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 案例网站<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 精选文章<？ｍｕｍａ echo $count; ?> 】