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：B: 否

专业分析：

1. **隐藏层**：
- 在神经网络中，隐藏层通过非线性激活函数（如ReLU、Sigmoid等）对输入数据进行变换。
- 隐藏层能够捕捉输入数据中的复杂非线性关系。
- 通过训练过程，神经网络可以自动调整隐藏层的权重，以最小化损失函数，从而更好地拟合数据。

2. **主成分分析法 (PCA)**：
- PCA是一种线性降维方法，通过寻找数据中方差最大的方向（主成分）来进行降维。
- PCA的输出是输入数据的线性变换，无法捕捉数据中的复杂非线性关系。
- PCA是一种无监督学习方法，不需要目标变量进行训练。

由于隐藏层可以捕捉数据中的非线性关系，而PCA只能进行线性变换，因此这两者的输出效果是不一样的。具体来说：

- 如果数据中存在复杂的非线性关系，隐藏层的输出效果通常会比PCA更好。
- 如果数据主要是线性的，PCA可能会提供一个较好的降维效果，但仍然不能完全替代隐藏层。

综上所述，隐藏层和PCA的输出效果是不一样的，因此答案是B: 否。