Vous travaillez avec un jeu de données de manchots. Votre objectif est de construire une pipeline complète d'apprentissage automatique qui classe les espèces de manchots à l'aide d'un modèle K-Nearest Neighbors (KNN). La pipeline doit gérer l'encodage des variables catégorielles, les valeurs manquantes, la normalisation des caractéristiques et l'ajustement des paramètres.

1. Encoder la variable cible y en utilisant la classe LabelEncoder.
2. Diviser le jeu de données en ensembles d'entraînement et de test avec train_test_split() et test_size=0.33.
3. Créer un ColumnTransformer nommé ct qui applique un OneHotEncoder aux colonnes 'island' et 'sex', en laissant toutes les autres colonnes inchangées (remainder='passthrough').
4. Définir une grille de paramètres param_grid contenant les valeurs suivantes pour n_neighbors : [1, 3, 5, 7, 9, 12, 15, 20, 25], et inclure 'weights' ('uniform', 'distance') ainsi que 'p' (1, 2).
5. Créer un objet GridSearchCV en utilisant KNeighborsClassifier() comme estimateur et param_grid comme grille de paramètres.
6. Construire une pipeline comprenant les étapes suivantes dans l'ordre :

• Le ColumnTransformer (ct) ;
• Un SimpleImputer avec la stratégie définie sur 'most_frequent' ;
• Un StandardScaler pour la normalisation des caractéristiques ;
• L'objet GridSearchCV comme étape finale.

7. Entraîner la pipeline sur les données d'entraînement (X_train, y_train) en utilisant la méthode .fit().
8. Évaluer la performance du modèle en affichant le score sur le jeu de test avec .score(X_test, y_test).
9. Générer des prédictions sur les données de test et afficher les 5 premiers noms de classes décodés à l'aide de label_enc.inverse_transform().
10. Afficher le meilleur estimateur trouvé par GridSearchCV en utilisant l'attribut .best_estimator_.