Stai lavorando con un dataset di pinguini. Il tuo obiettivo è costruire una pipeline completa di machine learning che classifichi le specie di pinguini utilizzando un modello K-Nearest Neighbors (KNN). La pipeline deve gestire la codifica delle variabili categoriche, i valori mancanti, la normalizzazione delle feature e l'ottimizzazione dei parametri.

1. Codifica la variabile target y utilizzando la classe LabelEncoder.
2. Suddividi il dataset in set di addestramento e di test utilizzando train_test_split() con test_size=0.33.
3. Crea un ColumnTransformer chiamato ct che applica un OneHotEncoder alle colonne 'island' e 'sex', lasciando invariate tutte le altre colonne (remainder='passthrough').
4. Definisci una griglia di parametri param_grid che contenga i seguenti valori per n_neighbors: [1, 3, 5, 7, 9, 12, 15, 20, 25], e includa 'weights' ('uniform', 'distance') e 'p' (1, 2).
5. Crea un oggetto GridSearchCV utilizzando KNeighborsClassifier() come stimatore e param_grid come griglia dei parametri.
6. Costruisci una pipeline che includa i seguenti passaggi nell'ordine:

• Il ColumnTransformer (ct);
• Un SimpleImputer con la strategia impostata su 'most_frequent';
• Uno StandardScaler per la normalizzazione delle feature;
• L'oggetto GridSearchCV come passaggio finale.

7. Allena la pipeline sui dati di addestramento (X_train, y_train) utilizzando il metodo .fit().
8. Valuta le prestazioni del modello stampando il punteggio sul test set tramite .score(X_test, y_test).
9. Genera le predizioni sui dati di test e stampa i primi 5 nomi di classe decodificati utilizzando label_enc.inverse_transform().
10. Stampa il miglior stimatore trovato da GridSearchCV utilizzando l'attributo .best_estimator_.