人们对开发基于门的量子电路以训练机器学习模型的兴趣日益浓厚。然而,人们对电路设计参数以及噪声和其他测量误差对量子机器学习模型性能的影响知之甚少。在本文中,我们使用几个标准机器学习数据集和 IBM 的 Qiskit 模拟器探索了关键电路设计参数(量子比特数、深度等)的实际影响。总共我们评估了 6500 多个独特电路,n ≈ 120700 次单独运行。我们发现,一般来说,在没有噪声的环境中,浅(低深度)宽(更多量子比特)电路拓扑往往优于更深的电路拓扑。我们还探讨了不同噪声概念的含义和影响,并讨论了对噪声更/更不稳健的电路拓扑,用于分类机器学习任务。根据这些发现,我们为电路拓扑定义了指导方针,这些指导方针表明使用基于门的 NISQ 量子计算机实现量子机器学习算法的近期前景。