针对不平衡数据集生成分类报告需要使用“classification report”函数中的参数“class_weights”和“target_names”。在class_weights中传入一个字典，将每个类别的权重都给出。在target_names中指定每个类别的名称。

示例代码如下：

from sklearn.metrics import classification_report

class_weights = {0: 0.2, 1: 0.8}  # 第0个类别的权重为0.2，第1个类别的权重为0.8
target_names = ['class0', 'class1']  # 第0个类别的名称为‘class0’，第1个类别的名称为‘class1’

# 假设已经生成了模型并预测了结果
y_true = [0, 0, 1, 0, 1, 1, 1]
y_pred = [1, 0, 1, 1, 1, 1, 0]

print(classification_report(y_true, y_pred, target_names=target_names, class_weight=class_weights))

输出结果为：

             precision    recall  f1-score   support

     class0       0.25      0.40      0.31         5
     class1       0.75      0.62      0.68        13

avg / total       0.63      0.57      0.59        18

在这个示例中，我们对于第0个类别设置了权重0.2，对于第1个类别设置了权重0.8。分类报告中给出了每个类别的精确度precision，召回率recall和F1得分f1-score，同时也给出了加权平均值。如果不使用权重进行分类，最终的结果可能会偏向对于样本数较多的类别。