自行设计数据集，利用sklearn的线性回归函数实现预测功能。

自行设计数据集通常需要以下几个步骤：

1. **确定目标变量**：首先，你需要选择一个你想通过其他特征进行预测的目标变量。例如，如果你想要预测房价，那么价格可能是目标变量。

2. **创建输入特征**：收集相关的数值型或类别型数据作为输入特征。比如，房屋面积、卧室数量、建造年份等可以作为输入特征。

3. **生成数据**：你可以使用Python的数据处理库pandas来创建数据框，设置一些随机值或者按照特定规律生成数据。比如，你可以使用numpy的random模块生成随机数。

4. **划分数据集**：通常会将数据分为训练集和测试集，比例可以是70%训练集和30%测试集。可以使用`train_test_split`函数来实现。

5. **预处理数据**：对数据进行归一化或标准化，以便更好地适应线性回归模型的需求。sklearn的`StandardScaler`或`MinMaxScaler`可以帮忙做这个工作。

6. **模型训练**：使用sklearn的`LinearRegression`类创建线性回归模型，并使用训练数据对其进行拟合。这一步骤可以通过`model.fit(X_train, y_train)`完成。

7. **模型评估**：用测试数据评估模型性能，如计算均方误差（MSE）或决定系数（R^2），看看模型是否能够准确地预测新数据。

8. **预测**：最后，使用模型的`predict()`方法对新的数据进行预测。

以下是简单的代码示例：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler

# 创建数据集
data = {'feature1': [1, 2, 3, ..., 100], 'feature2': [10, 20, 30, ..., 1000], 'target': [100, 200, 300, ...]}
df = pd.DataFrame(data)

# 划分数据集
X = df[['feature1', 'feature2']]
y = df['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 数据预处理
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 训练模型
model = LinearRegression()
model.fit(X_train_scaled, y_train)

# 预测
predictions = model.predict(X_test_scaled)