> For the complete documentation index, see [llms.txt](https://docs.altum.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.altum.ai/verduurzamen/nta-8800-energielabel-v2-api/appartementen.md). # Appartementen De endpoint die in deze sectie wordt beschreven, is van toepassing op appartementen binnen woongebouwen met meerdere wooneenheden. Hieronder vallen: * Galerijflat * Portiekflat * Maisonnette * Benedenwoning * Bovenwoning * Portiekwoning Het model gaat uit van een woning binnen een woongebouw met meerdere wooneenheden, waarbij daken, gevels en installaties gedeeld kunnen worden met andere woningen. De positie van het appartement binnen het gebouw en het aantal woonlagen zijn belangrijke factoren. Hierdoor kan de API isolatieniveaus, verwarmingssystemen en andere maatregelen schatten op basis van gebouwkenmerken en voorspellingen met machine learning. ## Validatie en voorspellingsprestaties Altum AI voert elk kwartaal prestatietests uit van de NTA 8800 Energielabel API voor woningen, met een representatieve steekproef van 10.000 adressen met een NTA 8800-bepalingsmethode. De prestaties worden beoordeeld met Mean Absolute Error (MAE), Median Absolute Error (MedAE) en het percentage resultaten binnen vastgestelde BENG2- en energielabelfoutmarges. #### **BENG2 / energielabelinformatie beschikbaar** Gebruikt een **statistisch model** in combinatie met de informatie over het **definitieve energielabel of BENG2**. De resultaten meten daarom de consistentie van de API met de beschikbare energie-informatie. {% tabs %} {% tab title="Q3 2026" %} **MAE:** 29.56 **MedAE:** 17.0 **BENG2** ``` 15.95% voorspellingen binnen een foutmarge van 5 BENG2-eenheden. 30.74% voorspellingen binnen een foutmarge van 10 BENG2-eenheden. 54.89% voorspellingen binnen een foutmarge van 20 BENG2-eenheden. 71.83% voorspellingen binnen een foutmarge van 30 BENG2-eenheden. 81.53% voorspellingen binnen een foutmarge van 40 BENG2-eenheden. 87.32% voorspellingen binnen een foutmarge van 50 BENG2-eenheden. 89.95% voorspellingen binnen een foutmarge van 60 BENG2-eenheden. 91.27% voorspellingen binnen een foutmarge van 70 BENG2-eenheden. 92.54% voorspellingen binnen een foutmarge van 80 BENG2-eenheden. 93.75% voorspellingen binnen een foutmarge van 90 BENG2-eenheden. 94.74% voorspellingen binnen een foutmarge van 100 BENG2-eenheden. 97.50% voorspellingen binnen een foutmarge van 150 BENG2-eenheden. 98.68% voorspellingen binnen een foutmarge van 200 BENG2-eenheden. 99.82% voorspellingen binnen een foutmarge van 400 BENG2-eenheden. 99.90% voorspellingen binnen een foutmarge van 500 BENG2-eenheden. ``` **Energielabel** ``` 81.39% voorspellingen binnen 0 energielabel verschil. 91.07% voorspellingen binnen 1 energielabel verschil. 95.60% voorspellingen binnen 2 energielabel verschil. 98.02% voorspellingen binnen 3 energielabel verschil. 99.08% voorspellingen binnen 4 energielabel verschil. 99.55% voorspellingen binnen 5 energielabel verschil. 99.75% voorspellingen binnen 6 energielabel verschil. 99.84% voorspellingen binnen 7 energielabel verschil. 99.95% voorspellingen binnen 8 energielabel verschil. 99.99% voorspellingen binnen 9 energielabel verschil. 100.00% voorspellingen binnen 10 energielabel verschil. ```
{% endtab %} {% endtabs %} #### **BENG2 / energielabelinformatie niet beschikbaar** Gebruikt **machine learning om het energielabel of de BENG2-waarde te voorspellen** wanneer definitieve informatie niet beschikbaar is. Deze resultaten geven de werkelijke voorspellende prestaties van de API weer. {% tabs %} {% tab title="Q3 2026" %} **MAE:** 47.64 **MedAE:** 33.0 **BENG2** ``` 7.54% voorspellingen binnen een foutmarge van 5 BENG2-eenheden. 15.66% voorspellingen binnen een foutmarge van 10 BENG2-eenheden. 31.39% voorspellingen binnen een foutmarge van 20 BENG2-eenheden. 45.71% voorspellingen binnen een foutmarge van 30 BENG2-eenheden. 57.50% voorspellingen binnen een foutmarge van 40 BENG2-eenheden. 66.88% voorspellingen binnen een foutmarge van 50 BENG2-eenheden. 73.82% voorspellingen binnen een foutmarge van 60 BENG2-eenheden. 79.23% voorspellingen binnen een foutmarge van 70 BENG2-eenheden. 83.12% voorspellingen binnen een foutmarge van 80 BENG2-eenheden. 86.38% voorspellingen binnen een foutmarge van 90 BENG2-eenheden. 89.01% voorspellingen binnen een foutmarge van 100 BENG2-eenheden. 95.89% voorspellingen binnen een foutmarge van 150 BENG2-eenheden. 98.15% voorspellingen binnen een foutmarge van 200 BENG2-eenheden. 99.87% voorspellingen binnen een foutmarge van 400 BENG2-eenheden. 99.93% voorspellingen binnen een foutmarge van 500 BENG2-eenheden. ``` **Energielabel** ``` 40.19% voorspellingen binnen 0 energielabel verschil. 76.58% voorspellingen binnen 1 energielabel verschil. 90.36% voorspellingen binnen 2 energielabel verschil. 96.42% voorspellingen binnen 3 energielabel verschil. 99.33% voorspellingen binnen 4 energielabel verschil. 99.75% voorspellingen binnen 5 energielabel verschil. 99.91% voorspellingen binnen 6 energielabel verschil. 99.97% voorspellingen binnen 7 energielabel verschil. 99.99% voorspellingen binnen 8 energielabel verschil. 100.00% voorspellingen binnen 9 energielabel verschil. 100.00% voorspellingen binnen 10 energielabel verschil. ```
{% endtab %} {% endtabs %} --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://docs.altum.ai/verduurzamen/nta-8800-energielabel-v2-api/appartementen.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.