feat(clustering): dégradé HSL multi-stop basé sur le score de non-humanité

Remplace la palette par index par un dégradé continu HSL :
- risk=0.0  → hue 220° (bleu froid   — humain légitime)
- risk=0.25 → hue 165° (cyan-vert    — légèrement suspect)
- risk=0.50 → hue 110° (vert-jaune   — comportement mixte)
- risk=0.75 → hue  55° (jaune-orange — probable bot)
- risk=1.0  → hue   0° (rouge vif    — bot confirmé)

Saturation : 70%→90%, Lightness : 58%→48% (couleur plus intense = plus alarmant)

Légende : barre de dégradé 'Humain ← → Bot' avec stops HSL alignés

Suppression de spread_clusters (chevauchement des zones autorisé)

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

backend/routes/clustering.py

@@ -24,7 +24,7 @@ from ..services.clustering_engine import (
     FEATURE_KEYS, FEATURE_NAMES, FEATURE_NORMS, N_FEATURES,
     build_feature_vector, kmeans_pp, pca_2d, compute_hulls,
     name_cluster, risk_score_from_centroid, standardize,
-    cluster_color, spread_clusters,
+    risk_to_gradient_color,
 )
 
 log = logging.getLogger(__name__)
@@ -196,11 +196,7 @@ def _run_clustering_job(k: int, hours: int, sensitivity: float = 1.0) -> None:
         # ── 5. PCA-2D sur les features ORIGINALES (normalisées [0,1]) ────
         coords = pca_2d(X64)   # (n, 2), normalisé [0,1]
 
-        # ── 5b. Dispersion — repousse les clusters trop proches ──────────
-        coords = spread_clusters(coords, km.labels, k_actual,
-                                 n_iter=60, min_dist=0.16)
-
-        # ── 5c. Enveloppes convexes par cluster ──────────────────────────
+        # ── 5b. Enveloppes convexes par cluster ──────────────────────────
         hulls = compute_hulls(coords, km.labels, k_actual)
 
         # ── 6. Agrégation par cluster ─────────────────────────────────────
@@ -237,7 +233,7 @@ def _run_clustering_job(k: int, hours: int, sensitivity: float = 1.0) -> None:
             raw_stats = {"mean_ttl": mean_ttl, "mean_mss": mean_mss, "mean_scale": mean_scale}
             label_name = name_cluster(centroids_orig[j], raw_stats)
             risk       = float(risk_score_from_centroid(centroids_orig[j]))
-            color      = cluster_color(j)
+            color      = risk_to_gradient_color(risk)
 
             # Centroïde 2D = moyenne des coords du cluster
             cxy = np.mean(cluster_coords[j], axis=0).tolist() if cluster_coords[j] else [0.5, 0.5]