Ви працюєте з набором даних про пінгвінів. Ваша мета — побудувати повний конвеєр машинного навчання для класифікації видів пінгвінів за допомогою моделі K-Nearest Neighbors (KNN). Конвеєр повинен обробляти кодування категоріальних ознак, пропущені значення, масштабування ознак та налаштування параметрів.

1. Закодуйте цільову змінну y за допомогою класу LabelEncoder.
2. Розділіть набір даних на тренувальну та тестову вибірки за допомогою train_test_split() з параметром test_size=0.33.
3. Створіть ColumnTransformer з ім’ям ct, який застосовує OneHotEncoder до стовпців 'island' та 'sex', залишаючи всі інші стовпці без змін (remainder='passthrough').
4. Визначте сітку параметрів param_grid, яка містить такі значення для n_neighbors: [1, 3, 5, 7, 9, 12, 15, 20, 25], а також 'weights' ('uniform', 'distance') і 'p' (1, 2).
5. Створіть об’єкт GridSearchCV, використовуючи KNeighborsClassifier() як оцінювач і param_grid як сітку параметрів.
6. Побудуйте конвеєр, який включає такі кроки у вказаному порядку:

• ColumnTransformer (ct);
• SimpleImputer зі стратегією 'most_frequent';
• StandardScaler для масштабування ознак;
• Об’єкт GridSearchCV як фінальний крок.

7. Навчіть конвеєр на тренувальних даних (X_train, y_train) за допомогою методу .fit().
8. Оцініть якість моделі, вивівши тестову оцінку за допомогою .score(X_test, y_test).
9. Згенеруйте передбачення на тестових даних і виведіть перші 5 декодованих назв класів за допомогою label_enc.inverse_transform().
10. Виведіть найкращий оцінювач, знайдений GridSearchCV, використовуючи атрибут .best_estimator_.