Introducción a pipelines

En este reto, crearás un Pipeline en Scikit-Learn para preprocesar datos y entrenar un modelo de clasificación. Utilizarás el conjunto de datos load_wine disponible en sklearn.datasets, que contiene medidas asociadas a tres tipos de vino. El objetivo es predecir la clase de vino a partir de sus características. Implementarás un Pipeline que escale los datos y emplee un modelo de clasificación basado en KNeighborsClassifier. Asegúrate de que las transformaciones se apliquen correctamente tanto en entrenamiento como en predicciones finales.

1. Carga el conjunto de datos load_wine utilizando la función correspondiente de sklearn.datasets.
2. Divide los datos en conjuntos de entrenamiento y prueba (70% entrenamiento, 30% prueba), utilizando train_test_split. Establece random_state en 42 para reproducibilidad.
3. Define un Pipeline que incluya los siguientes pasos:
   • StandardScaler: para estandarizar las características de los datos.
   • KNeighborsClassifier: como modelo de clasificación para predecir la clase de vino.
4. Entrena el Pipeline utilizando los datos de entrenamiento.
5. Realiza predicciones sobre los datos de prueba y reporta la precisión del modelo.