feat(clustering): limites sensibilité et k étendues pour classification maximale

Backend:
- k max: 30 → 100 (Query le=100), default: 14 → 20
- sensitivity max: 3.0 → 5.0 (Query le=5.0)
- k_actual cap: min(50,...) → min(300,...) — plus de coupure silencieuse
- n_init adaptatif: 3 quand k≤60, 1 quand k>60 (maintient performance)
- Résultat max effectif: k=100 × sens=5.0 = 500, plafonné à 300 clusters

Frontend:
- Slider sensibilité: max 3.0 → 5.0, step 0.5
- Libellés: Grossière/Normale/Fine/Très fine/Maximale/Extrême
- Label affiche '(N clusters effectifs)' au lieu de '(N clusters)'
- Slider k avancé: max 30 → 100
- Label k avancé: 'k → N clusters effectifs' (montre le résultat réel)
- Default k: 14 → 20

Test: k=20 × sens=5.0 = 100 clusters, Scanner pur detecté à 0.43, Bot UA simulé 0.38

Co-authored-by: Copilot <223556219+Copilot@users.noreply.github.com>

backend/routes/clustering.py

@@ -152,13 +152,17 @@ _SQL_COLS = [
 
 def _run_clustering_job(k: int, hours: int, sensitivity: float = 1.0) -> None:
     """Exécuté dans le thread pool. Met à jour _CACHE.
-    
-    sensitivity : multiplicateur de k [0.5 – 3.0].
+
+    sensitivity : multiplicateur de k [0.5 – 5.0].
+      0.5 = vue très agrégée (k/2 clusters)
       1.0 = comportement par défaut
       2.0 = deux fois plus de clusters → groupes plus homogènes
-      0.5 = moitié → vue très agrégée
+      5.0 = granularité maximale (classification la plus fine)
+
+    k_actual est plafonné à 300 pour éviter des temps de calcul excessifs.
+    n_init est réduit à 1 quand k_actual > 60 pour rester rapide.
     """
-    k_actual = max(4, min(50, round(k * sensitivity)))
+    k_actual = max(4, min(300, round(k * sensitivity)))
     t0 = time.time()
     with _LOCK:
         _CACHE["status"] = "computing"
@@ -189,7 +193,9 @@ def _run_clustering_job(k: int, hours: int, sensitivity: float = 1.0) -> None:
         X_std, feat_mean, feat_std = standardize(X64)
 
         # ── 4. K-means++ sur l'espace standardisé ────────────────────────
-        km = kmeans_pp(X_std, k=k_actual, max_iter=80, n_init=3, seed=42)
+        # n_init réduit à 1 pour k élevé (> 60) afin de limiter le temps de calcul
+        n_init = 1 if k_actual > 60 else 3
+        km = kmeans_pp(X_std, k=k_actual, max_iter=80, n_init=n_init, seed=42)
         log.info(f"[clustering] K-means: {km.n_iter} iters, inertia={km.inertia:.2f}")
 
         # Centroïdes dans l'espace original [0,1] pour affichage radar
@@ -411,9 +417,9 @@ async def get_status():
 
 @router.get("/clusters")
 async def get_clusters(
-    k:           int   = Query(14,  ge=4,   le=30,  description="Nombre de clusters de base"),
+    k:           int   = Query(20,  ge=4,   le=100, description="Nombre de clusters de base"),
     hours:       int   = Query(24,  ge=1,   le=168, description="Fenêtre temporelle (heures)"),
-    sensitivity: float = Query(1.0, ge=0.5, le=3.0, description="Sensibilité : multiplicateur de k"),
+    sensitivity: float = Query(1.0, ge=0.5, le=5.0, description="Sensibilité : multiplicateur de k (5.0 = granularité maximale)"),
     force:       bool  = Query(False, description="Forcer le recalcul"),
 ):
     """