本文详解解决“cannot define a mlflow experiment”错误的核心方法：必须先启动本地 mlflow 后端服务器，否则 `mlflow.set_experiment()` 会因无法连接追踪 uri 而抛出连接拒绝异常。
当你在代码中调用 mlflow.set_tracking_uri("http://127.0.0.1:8080") 和 mlflow.set_experiment("MLflow Quickstart") 却遇到类似以下报错：
MlflowException: API request to http://127.0.0.1:8080/api/2.0/mlflow/experiments/get-by-name failed... Caused by NewConnectionError(... [WinError 10061] Aucune connexion n’a pu être établie car l’ordinateur cible l’a expressément refusée)
这并非认证或权限问题，而是最基础的连接前提未满足：你尚未启动 MLflow 跟踪服务器。
MLflow 的 set_tracking_uri 指向的是一个运行中的 HTTP 服务端点（即后端），它负责接收日志、管理实验与运行。若该服务未启动，客户端（你的 Python 脚本）自然无法建立连接——就像试图访问一个未开启的网站。
✅ 正确操作流程如下：
-
在终端（非 Python 环境）中启动 MLflow 服务器：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac下载让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
mlflow server --host 127.0.0.1 --port 8080 --backend-store-uri sqlite:///mlflow.db --default-artifact-root ./mlruns
- --host 和 --port 需与代码中 set_tracking_uri 的地址严格一致；
- --backend-store-uri 指定元数据存储（推荐 SQLite 快速起步）；
- --default-artifact-root 指定模型/图表等二进制文件的本地保存路径。
保持该终端持续运行（服务器进程需常驻），再执行你的 Python 脚本。
验证服务是否就绪：打开浏览器访问 http://127.0.0.1:8080，应能看到 MLflow UI 界面（含“Experiments”标签页）。
? 补充说明：
- 不要尝试在 Jupyter 或 IDE 的 Python 控制台中直接运行 mlflow server 命令（它会阻塞线程且无法后台运行）；
- 若端口被占用，可更换端口（如 --port 5000），并同步更新代码中的 URI；
- 初次运行时，mlflow.set_experiment(...) 会自动创建同名实验（无需手动初始化）；
- 使用 SQLite 时，请确保 mlflow.db 所在目录有写入权限；生产环境建议切换为 PostgreSQL 或 MySQL。
完成上述步骤后，你的原始代码即可正常运行：
import mlflow
mlflow.set_tracking_uri("http://127.0.0.1:8080")
mlflow.set_experiment("MLflow Quickstart") # ✅ 成功创建/获取实验
with mlflow.start_run():
mlflow.log_param("alpha", 0.5)
mlflow.log_metric("accuracy", 0.92)总结：MlflowException: Failed to establish a new connection 是典型的“服务未启动”信号，而非配置或权限错误。先启服务，再写代码，是本地使用 MLflow 跟踪功能不可跳过的第一步。
