编写自己的预测函数涉及到了机器学习和模型构建的知识。下面是一个简单的示例，展示了如何使用线性回归模型来进行预测。

假设我们有一个数据集，其中包含了房屋的面积和价格。我们想要根据给定的面积预测房屋的价格。

import numpy as np
from sklearn.linear_model import LinearRegression

# 假设我们的数据集包含了房屋的面积和价格
X = np.array([[80], [100], [120], [150], [200]])  # 房屋的面积
y = np.array([120, 150, 180, 200, 250])  # 房屋的价格

# 创建线性回归模型
model = LinearRegression()

# 使用数据集训练模型
model.fit(X, y)

# 预测房屋价格
area = np.array([[130]])  # 房屋的面积
predicted_price = model.predict(area)

print("房屋面积为 {} 平方米的房屋，预测价格为 {} 万元。".format(area[0][0], predicted_price[0]))

在上述代码中，我们首先导入了必要的库：numpy用于处理数组，sklearn中的LinearRegression用于创建线性回归模型。

然后，我们创建了一个训练集X和对应的目标变量y。我们使用训练集来训练模型，然后使用预测函数来预测给定面积的房屋价格。

在最后一行中，我们使用训练好的模型对房屋面积为130平方米的房屋进行价格预测，并打印出预测结果。

请注意，这只是一个简单的示例，实际的预测函数可能会更加复杂，涉及到更多的特征工程和模型选择。