Você recebe um conjunto de dados de pinguins. Seu objetivo é construir um pipeline de aprendizado de máquina que classifique as espécies de pinguins utilizando um modelo K-Nearest Neighbors (KNN), tratando adequadamente a codificação, valores ausentes e otimização de parâmetros.

1. Codifique a variável alvo usando LabelEncoder.
2. Divida o conjunto de dados em conjuntos de treino e teste com test_size=0.33.
3. Crie um ColumnTransformer (ct) que codifique apenas as colunas 'island' e 'sex' utilizando um codificador apropriado para dados nominais (OneHotEncoder) e mantenha as demais colunas inalteradas.
4. Defina um grid de parâmetros (param_grid) que inclua os seguintes valores para n_neighbors: [1, 3, 5, 7, 9, 12, 15, 20, 25].
5. Crie um objeto GridSearchCV com KNeighborsClassifier como estimador base e param_grid como seus parâmetros.
6. Construa um pipeline composto por:

• o ColumnTransformer (ct);
• um SimpleImputer (strategy = 'most_frequent');
• um StandardScaler;
• e o GridSearchCV como etapa final.

7. Treine o pipeline utilizando os dados de treino (X_train, y_train).
8. Avalie o modelo nos dados de teste imprimindo seu .score(X_test, y_test).
9. Realize previsões no conjunto de teste e imprima as primeiras 5 previsões decodificadas usando label_enc.inverse_transform().
10. Por fim, imprima o melhor estimador encontrado pelo GridSearchCV.