PCA 提取的是数据分布方差比较大的方向，隐藏层可以提取有预测能力的特征。

答案是B：否。

原因如下：

1. **功能不同**：隐藏层和PCA在功能上有本质区别。隐藏层是神经网络中的一部分，它通过非线性激活函数来捕捉数据中的复杂模式和特征。PCA则是一种线性降维方法，通过线性变换将数据映射到低维空间，保留尽可能多的方差。

2. **非线性 vs 线性**：隐藏层可以通过非线性激活函数（如ReLU, Sigmoid, Tanh等）来捕捉数据中的非线性关系，而PCA只能捕捉线性关系。因此，隐藏层在处理复杂数据时通常比PCA更有优势。

3. **训练方式**：隐藏层的权重通过反向传播算法进行训练，能够根据任务的具体需求（如分类或回归）进行优化。而PCA是一种无监督学习方法，仅根据数据的方差进行降维，不能针对特定任务进行优化。

4. **适用场景**：隐藏层广泛应用于各种深度学习模型中，如卷积神经网络（CNN）、循环神经网络（RNN）等，适用于处理图像、文本等复杂数据。PCA更适用于数据预处理和特征提取，通常用于降低数据维度以便于后续的机器学习任务。

综上所述，隐藏层和PCA在原理和应用上都有显著差异，因此它们的输出效果不会是一样的。