Більшість традиційних алгоритмів кластеризації є обмеженими та оперують множинами даних, що містять неперервні або категорійні змінні. Проте множини даних зі змішаними типами змінних широко використовуються в галузі добування даних. В даній статті ми представляємо зважену самоорганізаційну карту для кластеризації, аналізу та візуалізації змішаних даних (неперервних/бінарних). Навчання ваг і прототипів виконується одночасно, що забезпечує оптимальну кластеризацію даних. Чим більше змінних з високими вагами, тим більше інформації, переданої цими змінними, візьме до уваги алгоритм кластеризації. Навчання цих топологічних карт комбінується з процесом призначення вагових коефіцієнтів різним змінним, що впливає на якість кластеризації. Ми ілюструємо переваги цього методу на множинах даних, взятих з загальнодоступного сховища множин даних: множина написаних від руки цифр, множина "Зоопарк" та інші три змішані множини даних. Результати показують хорошу якість топологічного впорядковування і однорідної кластеризації.