В даній статті запропоновано нову автоматичну модель навчання, яка забезпечує одночасну топологічну кластеризацію та вибір характеристик для кількісних масивів даних. Досліджено новий алгоритм топологічної організації для кластеризації категорійних даних та візуалізації під назвою RTC (реляційна топологічна кластеризація). В загальному випадку, виконувати кластеризацію на категорійних даних є важче ніж на чисельних, оскільки відсутня впорядкованість даних. Запропонований підхід базується на самоорганізаційному принципі моделі Кохонена і використовує формалізм реляційного аналізу шляхом оптимізації функції вартості, визначеної як модифікований критерій Кондорсе. Запропоновано ітераційний алгоритм, який працює лінійно з великими наборами даних, забезпечує звичайну ідентифікацію кластерів і дозволяє візуалізувати результат кластеризації на двовимірній сітці. Після цього, використано статистичний ScreeTest для виявлення відповідних і корельованих ознак (або форм) для кожного прототипу. Цей тест дозволяє виявити найбільш важливі змінні в автоматичному режимі без встановлення будь-яких параметрів. Запропонований підхід був перевірений на різних реальних наборах даних. Експериментальні результати показують ефективність запропонованого підходу.