你的数据集特征呈现出明显的非线性结构（例如，数据点分布在一个环形或S形流形上）。你的目标是创建新的特征，以捕捉这种结构，供后续的模型使用。在这种情况下，sklearn.decomposition.KernelPCA相比于标准PCA的主要优势是什么？
A. KernelPCA的计算速度总是比标准PCA快。
B. KernelPCA能通过核技巧（Kernel Trick）将数据映射到更高维的特征空间，从而在新空间中找到非线性的主成分。
C. KernelPCA产生的新特征总是与原始特征线性无关。
D. KernelPCA能更好地处理类别型特征。
