Du arbetar med en dataset av pingviner. Ditt mål är att bygga en komplett maskininlärningspipeline som klassificerar pingvinarter med hjälp av en K-Nearest Neighbors (KNN)-modell. Pipelinen ska hantera kategorisk kodning, saknade värden, skalning av variabler och parameteroptimering.

1. Koda målvariabeln y med hjälp av klassen LabelEncoder.
2. Dela upp datasetet i tränings- och testmängder med train_test_split() och test_size=0.33.
3. Skapa en ColumnTransformer med namnet ct som applicerar en OneHotEncoder på kolumnerna 'island' och 'sex', och lämnar övriga kolumner oförändrade (remainder='passthrough').
4. Definiera ett parameternät param_grid som innehåller följande värden för n_neighbors: [1, 3, 5, 7, 9, 12, 15, 20, 25], samt inkluderar 'weights' ('uniform', 'distance') och 'p' (1, 2).
5. Skapa ett GridSearchCV-objekt med KNeighborsClassifier() som estimator och param_grid som parameternät.
6. Bygg en pipeline som inkluderar följande steg i ordning:

• ColumnTransformer (ct);
• En SimpleImputer med strategin satt till 'most_frequent';
• En StandardScaler för skalning av variabler;
  • GridSearchCV-objektet som sista steg.

7. Träna pipelinen på träningsdatan (X_train, y_train) med .fit()-metoden.
8. Utvärdera modellens prestanda genom att skriva ut testresultatet med .score(X_test, y_test).
9. Generera prediktioner på testdatan och skriv ut de första 5 avkodade klassnamnen med label_enc.inverse_transform().
10. Skriv ut den bästa estimatorn som hittats av GridSearchCV med attributet .best_estimator_.