Sie arbeiten mit einem Datensatz von Pinguinen. Ihr Ziel ist es, eine vollständige Machine-Learning-Pipeline zu erstellen, die Pinguinarten mithilfe eines K-Nearest Neighbors (KNN)-Modells klassifiziert. Die Pipeline soll die Kodierung kategorialer Merkmale, das Behandeln fehlender Werte, die Merkmals-Skalierung und die Parameterauswahl abdecken.

1. Kodierung der Zielvariable y mit der Klasse LabelEncoder.
2. Aufteilung des Datensatzes in Trainings- und Testdaten mit train_test_split() und test_size=0.33.
3. Erstellung eines ColumnTransformer namens ct, der einen OneHotEncoder auf die Spalten 'island' und 'sex' anwendet und alle anderen Spalten unverändert lässt (remainder='passthrough').
4. Definition eines Parametergrids param_grid mit folgenden Werten für n_neighbors: [1, 3, 5, 7, 9, 12, 15, 20, 25], sowie 'weights' ('uniform', 'distance') und 'p' (1, 2).
5. Erstellung eines GridSearchCV-Objekts mit KNeighborsClassifier() als Schätzer und param_grid als Parametergrid.
6. Aufbau einer Pipeline mit folgenden Schritten in der angegebenen Reihenfolge:

• Der ColumnTransformer (ct);
• Ein SimpleImputer mit der Strategie 'most_frequent';
  • Ein StandardScaler zur Merkmals-Skalierung;
  • Das GridSearchCV-Objekt als letzter Schritt.

7. Training der Pipeline mit den Trainingsdaten (X_train, y_train) mittels .fit()-Methode.
8. Bewertung der Modellleistung durch Ausgabe des Test-Scores mit .score(X_test, y_test).
9. Generierung von Vorhersagen für die Testdaten und Ausgabe der ersten 5 dekodierten Klassennamen mit label_enc.inverse_transform().
10. Ausgabe des besten von GridSearchCV gefundenen Schätzers mit dem Attribut .best_estimator_.