不考研的情况下，想要降维可以从以下几个方面入手：
主成分分析（PCA）
PCA通过线性变换将高维特征投影到低维空间中，使得投影后的样本具有最大方差。这种方法可以有效地减少数据的维度，同时保留原始数据的主要特征。
独立成分分析（ICA）
ICA假设每个观察值都是若干个独立成分之和，并尝试估计这些成分。这种方法适用于发现数据中的独立成分，从而进行降维。
多维尺度分析（MDS）
MDS通过保留点之间距离和相似度来可视化高维数据。这种方法可以帮助我们理解高维数据的几何结构，并在低维空间中保留这些结构。
局部线性嵌入（LLE）
LLE通过保留每个样本与其在局部领域内的邻居之间的关系来学习低维表示。这种方法适用于保留数据的局部特征，适用于非线性数据结构。
t-SNE
t-SNE使用非线性方法将高维数据映射到低维空间，可以更好地保留原始数据之间的距离和相对位置关系。这种方法常用于高维数据的可视化，如基因表达数据的降维。
特征选择
特征选择根据数据集的不同特征的重要性，选择对结果影响最大的特征。这种方法可以通过选择最重要的特征来减少数据的维度，同时提高模型的性能。
稀疏编码和字典学习
从数据本身中提取最相关特征。这种方法可以有效地提取数据中的关键特征，从而实现降维。
随机投影
通过随机生成低维度矩阵来减少特征数量，同时保留重要信息。这种方法适用于快速降维，且不需要复杂的计算。
选择哪种降维方法取决于具体的应用场景和数据类型。建议先对数据进行深入分析，了解数据的结构和特征，然后选择最适合的降维方法进行尝试。