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.
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.
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.
MAE: 47.64
MedAE: 33.0
BENG2
Energielabel
Last updated