Sie erhalten einen Datensatz mit Pinguinen. Ihr Ziel ist es, eine Machine-Learning-Pipeline zu erstellen, die Pinguinarten mithilfe eines K-Nearest Neighbors (KNN)-Modells klassifiziert und dabei die Kodierung, fehlende Werte und Parameteroptimierung korrekt behandelt.

1. Kodierung der Zielvariable mit LabelEncoder.
2. Aufteilen des Datensatzes in Trainings- und Testdaten mit test_size=0.33.
3. Erstellung eines ColumnTransformer (ct), der ausschließlich die Spalten 'island' und 'sex' mit einem geeigneten Encoder für nominale Daten (OneHotEncoder) kodiert und die übrigen Spalten unverändert lässt.
4. Definition eines Parametergrids (param_grid) mit folgenden Werten für n_neighbors: [1, 3, 5, 7, 9, 12, 15, 20, 25].
5. Erstellung eines GridSearchCV-Objekts mit KNeighborsClassifier als Basismodell und param_grid als Parameter.
6. Aufbau einer Pipeline bestehend aus:

• dem ColumnTransformer (ct);
• einem SimpleImputer (Strategie = 'most_frequent');
• einem StandardScaler;
• und dem GridSearchCV als letztem Schritt.

7. Training der Pipeline mit den Trainingsdaten (X_train, y_train).
8. Auswertung des Modells auf den Testdaten durch Ausgabe von .score(X_test, y_test).
9. Vorhersage auf dem Testdatensatz und Ausgabe der ersten 5 dekodierten Vorhersagen mit label_enc.inverse_transform().
10. Abschließend Ausgabe des besten Schätzers, der von GridSearchCV gefunden wurde.