feat: slider sensibilité + z-score standardization pour clustering plus précis

Sensibilité (0.5x–3.0x) :
- Multiplie k : sensibilité=2x avec k=14 → 28 clusters effectifs
- Labels UI : Grossière / Normale / Fine / Très fine / Maximum
- Paramètres avancés (k, fenêtre) masqués dans un <details>
- Cache invalidé si sensibilité change

Z-score standardisation (Bishop 2006 PRML §9.1) :
- Normalise par variance de chaque feature avant K-means
- Features discriminantes (forte std) pèsent plus
- Résultat : risque 0→1.00 sur clusters bots vs 0→0.27 avant
- Bots détectés : 4 337 IPs vs 1 604 (2.7x plus)
- Nouveaux clusters : Bot agressif, Tunnel réseau, UA-CH Mismatch distincts

Fix TextLayer deck.gl :
- Translittération des accents (é→e, à→a, ç→c…) + strip emojis
- Évite les warnings 'Missing character' sur caractères non-ASCII

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

backend/services/clustering_engine.py

@@ -87,6 +87,23 @@ def build_feature_vector(row: dict) -> list[float]:
     return [norm(row.get(key, 0)) for key, _, norm in FEATURES]
 
 
+# ─── Standardisation z-score ──────────────────────────────────────────────────
+
+def standardize(X: np.ndarray) -> tuple[np.ndarray, np.ndarray, np.ndarray]:
+    """
+    Z-score standardisation : chaque feature est centrée et mise à l'échelle
+    par sa déviation standard.
+
+    Ref: Bishop (2006) PRML §9.1 — preprocessing recommandé pour K-means.
+
+    Retourne (X_std, mean, std) pour pouvoir projeter de nouveaux points.
+    """
+    mean = X.mean(axis=0)
+    std  = X.std(axis=0)
+    std[std < 1e-8] = 1.0  # évite la division par zéro pour features constantes
+    return (X - mean) / std, mean, std
+
+
 # ─── K-means++ vectorisé (numpy) ─────────────────────────────────────────────
 
 @dataclass