使用机器学习进行疾病预测的完整攻略主要包含以下几个步骤：
1. 数据收集和准备
首先需要收集有关疾病的数据，常用的数据来源有医院的电子病历和医疗保险数据。在数据收集之后需要对数据进行预处理，包括去除重复值、缺失数据填充、特征选取等。
2. 特征提取和数据切分
接下来需要对收集到的数据进行特征提取，确定有意义的特征并将其转化为计算机可读的格式。同时需要将原始数据切分为训练集和测试集，一般采用70%训练集和30%测试集的比例。
3. 选择算法和建模
选择合适的机器学习算法进行建模，常用的算法包括决策树、逻辑回归、支持向量机、朴素贝叶斯等。建模时需要根据训练集进行模型训练，得到预测模型。
4. 模型评估和参数优化
对预测模型进行评估并对其进行参数调优，常用的评估指标包括精确度、召回率、F1值等。可以通过交叉验证等方法进行模型的优化和调整。
5. 测试模型
用测试集验证模型的泛化能力，评估模型的实际应用效果，判断模型是否足够准确；若模型效果不佳，则可以回到步骤三，调整模型算法、参数等，重新训练模型。
示例：
以乳腺癌预测为例，我们可以收集有关患者的年龄、性别、家族病史等数据，进行数据清洗和特征提取后，将数据切分成训练集和测试集，然后采用支持向量机算法进行建模和训练，得到预测模型。通过交叉验证等方法对模型进行参数优化和调整，并用测试集对模型效果进行验证和评估。
另一个示例是心脏病预测，我们可以收集有关患者的年龄、性别、血压、胆固醇等数据，进行数据清洗和特征提取后，将数据切分成训练集和测试集，然后采用决策树算法进行建模和训练，得到预测模型。通过交叉验证等方法对模型进行参数优化和调整，并用测试集对模型效果进行验证和评估。