Сборка конвейера sklearn + вложенная перекрестная проверка для регрессии KNN

Я пытаюсь понять, как создать рабочий процесс для sklearn.neighbors.KNeighborsRegressor, который включает:

• нормализовать особенности
• выбор функций (лучшее подмножество из 20 числовых функций, без конкретного итога)
• перекрестная проверка гиперпараметра K в диапазоне от 1 до 20
• перекрестная проверка модели
• использует RMSE в качестве метрики ошибок

В scikit-learn так много разных вариантов, что я немного ошеломлен, пытаясь решить, какие классы мне нужны.

Кроме sklearn.neighbors.KNeighborsRegressor, мне, кажется, нужно:

sklearn.pipeline.Pipeline  
sklearn.preprocessing.Normalizer
sklearn.model_selection.GridSearchCV
sklearn.model_selection.cross_val_score

sklearn.feature_selection.selectKBest
OR
sklearn.feature_selection.SelectFromModel

Не могли бы вы показать мне, как может выглядеть определение этого конвейера / рабочего процесса? Думаю должно быть примерно так:

import numpy as np
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import Normalizer
from sklearn.feature_selection import SelectKBest, f_classif
from sklearn.neighbors import KNeighborsRegressor
from sklearn.model_selection import cross_val_score, GridSearchCV

# build regression pipeline
pipeline = Pipeline([('normalize', Normalizer()),
                     ('kbest', SelectKBest(f_classif)),
                     ('regressor', KNeighborsRegressor())])

# try knn__n_neighbors from 1 to 20, and feature count from 1 to len(features)
parameters = {'kbest__k':  list(range(1, X.shape[1]+1)),
              'regressor__n_neighbors': list(range(1,21))}

# outer cross-validation on model, inner cross-validation on hyperparameters
scores = cross_val_score(GridSearchCV(pipeline, parameters, scoring="neg_mean_squared_error", cv=10), 
                         X, y, cv=10, scoring="neg_mean_squared_error", verbose=2)

rmses = np.abs(scores)**(1/2)
avg_rmse = np.mean(rmses)
print(avg_rmse)

Это не похоже на ошибку, но некоторые из моих проблем:

• Правильно ли я выполнил вложенную перекрестную проверку, чтобы моя RMSE была беспристрастной?
• Если я хочу, чтобы окончательная модель была выбрана в соответствии с наилучшей среднеквадратичной среднеквадратической среднеквадратической среднеквадратической среднеквадратической среднеквадратической ошибки, должен ли я использовать scoring="neg_mean_squared_error" как для cross_val_score, так и для GridSearchCV?
• Является ли SelectKBest, f_classif лучшим вариантом для выбора функций для модели KNeighborsRegressor?
• How can I see:
  • which subset of features was selected as best
  • который K был выбран как лучший

Любая помощь приветствуется!