同时存在分类和回归的问题，求推荐合适的机器学习模型
想要解决的问题是某地区海拔高度对生态系统的影响，输入数据是海拔高度和对整体生态系统的特征描述，输出结果是小生态分类以及每个小生态分类的特征描述。其中小生态分类约20种，是一个分类问题；而对应的小分类的特征约100个，是连续的数据，是一个回归问题。
输入：海拔高度+约100个特征
输出：
小分类1+该小分类的特征
小分类2+该小分类的特征
.
小分类n+该小分类的特征
我是环境专业的，对算法这些不精通，求大家推荐合适的机器学习方法、代码或者文献，多谢了！
针对您的问题，可以考虑使用集成学习方法，如随机森林（Random Forest）或梯度提升树（Gradient Boosting Tree）。
您可以将小生态分类作为目标变量进行分类预测，将每个小生态分类的特征作为目标变量进行回归预测。
具体来说，您可以将数据集分成两部分：一部分用于训练分类模型，另一部分用于训练回归模型。对于分类模型，您可以将海拔高度和约100个特征作为输入特征，将小生态分类作为目标变量；对于回归模型，您可以将海拔高度和小生态分类的特征作为输入特征，将该小分类的约100个特征作为目标变量。
from sklearn.ensemble import RandomForestClassifier, GradientBoostingRegressor
from sklearn.model_selection import train_test_split
# 将数据集分为训练集和测试集
X_train, X_test, y_train_classification, y_test_classification, y_train_regression, y_test_regression = train_test_split(X, y_classification, y_regression, test_size=0.2)
# 训练随机森林分类模型
rfc = RandomForestClassifier()
rfc.fit(X_train, y_train_classification)
# 训练梯度提升回归模型
gbr = GradientBoostingRegressor()
gbr.fit(X_train, y_train_regression)
# 使用分类模型进行预测
y_pred_classification = rfc.predict(X_test)
# 使用回归模型进行预测
y_pred_regression = []
for i in range(len(y_pred_classification)):
y_pred_regression.append(gbr.predict([[X_test[i, 0], y_pred_classification[i]]]))
# 输出结果
for i in range(len(y_pred_classification)):
print("小分类{}: {}".format(y_pred_classification[i], y_pred_regression[i]))
建议您使用Python中的Scikit-Learn库实现这些模型，Scikit-Learn提供了许多集成学习方法的实现，同时也具有简单易用的API和丰富的文档，非常适合入门者使用。