Корреляция только говорит нам, насколько две переменные связаны линейно на основе имеющихся у нас данных, но в ней не предусмотрен метод для вычисления значения переменной с учетом значения другой.
Если переменные линейно связаны, мы можем предсказать фактические значения, которые будет принимать переменная Y, когда переменная X имеет какое-либо значение, используя линейную регрессию:
Идея состоит в том, чтобы попытаться подогнать данные к линейной функции и использовать ее для прогнозирования значений:
Y = bX + a
Обычно мы сначала обнаруживаем, связаны ли две переменные с использованием коэффициента корреляции (например, коэффициента Пирсона), а затем мы используем метод регрессии (например, линейный) для прогнозирования значений интересующей переменной, заданной другой.
Вот простое руководство по линейной регрессии в Python с некоторой теорией:
https://realpython.com/linear-regression-in-python/#what-is-regression
Вот учебник по типичной проблеме прогнозирования цен на жилье:
https://blog.akquinet.de/2017/09/19/predicting-house-prices-on-kaggle-part-i/